实体匹配的深度学习包
deepmatcher的Python项目详细描述
deepmatcher是一个python包，用于使用深度学习执行实体和文本匹配。 它提供内置的神经网络和实用程序，使您能够训练和应用 最先进的深度学习模型，实体匹配不到10行代码。 模型也很容易定制-模块化设计允许任何子组件 更改或交换为自定义实现。
例如，给定标记的元组对，如下所示：
DeepMatcher使用标记的元组对并训练一个神经网络来执行匹配，即 预测匹配/不匹配标签。然后可以使用经过训练的网络获取 未标记元组对。
纸张和数据
有关所用模型的体系结构的详细信息，请看我们的论文Deep Learning for Entity Matching（sigmod'18）。中使用的所有公共数据集 论文可以从datasets page下载。
快速启动：30秒后进入DeepMatcher
使用DeepMatcher有四个主要步骤：
- 数据处理：加载和处理标记的培训、验证和测试csv数据。
importdeepmatcherasdmtrain,validation,test=dm.data.process(path='data_directory',train='train.csv',validation='validation.csv',test='test.csv')
- 模型定义：指定神经网络架构。使用内置混合动力 默认情况下为模型（如our paper的第4.4节所述）。罐头 根据你内心的渴望定制。
model=dm.MatchingModel()
- 模型训练：训练神经网络。
model.run_train(train,validation,best_save_path='best_model.pth')
- 应用：在测试集上评估模型，并应用于未标记的数据。
model.run_eval(test)unlabeled=dm.data.process_unlabeled(path='data_directory/unlabeled.csv',trained_model=model)model.run_prediction(unlabeled)
安装
我们目前只支持python版本3.5和3.6。建议使用PIP安装：
pip install deepmatcher
请注意，在安装过程中，您可能会看到一条错误消息，显示“Failed Building Wheel for FastTextMirror”。您可以放心地忽略这一点-这并不意味着安装有任何问题。
教程
使用deepmatcher:
- Getting Started：更深入的指南，帮助您熟悉 使用DeepMatcher。
- Data Processing：关于数据处理涉及哪些内容以及如何 定制它。
- Matching Models：实体匹配神经网络体系结构高级指南 以及如何定制它。
实体匹配工作流：
End to End Entity Matching：开发完整实体的指南 匹配工作流。本教程讨论如何使用deepmatcher和Magellan来 执行阻塞、采样、标记和匹配以从两个 桌子。
deepmatcher用于其他匹配任务：
Question Answering with DeepMatcher：关于如何使用deepmatcher进行提问的教程 回答。具体来说，我们将查看WikiQA，这是一个基准数据集，用于 答案选择。
API参考
api文档are here。
支架
这个包正在积极开发中。如果你遇到任何问题， 请file GitHub issues。
团队
DeepMatcher是由威斯康星大学麦迪逊分校的研究生Sidharth Mudgal开发的 韩莉，在安海道恩教授和西奥多罗雷卡西纳斯教授的监督下。
欢迎加入QQ群-->： 979659372
