自动化化学实体识别：创建您的 ChemNER 模型
自动化化学实体识别：打造您的 ChemNER 模型
我一直对化学有浓厚的兴趣，它在塑造我的学术和职业道路方面起到了重要作用。作为一个有化学背景的数据专业人士，我发现可以将我的科学和研究技能，如创造力、好奇心、耐心、敏锐的观察和数据分析，应用于数据项目中。在本文中，我将为您介绍一个我称为ChemNER的简单命名实体识别（NER）模型的开发过程。该模型可以识别文本中的化学化合物，并将其分类为烷烃、烯烃、炔烃、醇、醛、酮或羧酸等类别。
TL;DR
如果您只想玩一下ChemNER模型和/或使用我制作的Streamlit应用程序，请通过下面的链接访问：
HuggingFace链接： https://huggingface.co/victormurcia/en_chemner
Streamlit应用程序：ChemNER链接
引言
NER方法通常可分为以下三类：
- 基于词典：定义类别和术语的词典
- 基于规则：定义与每个类别相对应的术语和规则
- 基于机器学习（Machine Learning，ML）：让模型从训练语料库中学习命名规则
这些方法各有优势和局限性，而且并不是复杂和精细的模型总是最好的选择。
在这种情况下，基于词典的方法在范围上会有限制，因为对于我们有兴趣分类的每个类别的化合物，我们需要手动定义该类别中的所有化合物。换句话说，为了使这种方法包含所有内容，您需要为每个化合物类别手动输入每个化学化合物。
机器学习方法可能是最强大的方法，但是标注数据集可能相当费力（剧透：我最终将训练模型，但是为了教育目的，我想展示整个过程）。相反，我们可以从一些预定义的命名规则开始怎么样？
