使用Bert完成实体之间关系抽取
使用Bert完成实体之间关系抽取
大创所需，所以写了一个模型用来完成关系抽取。
最后在百度DuIE数据集的完整测试集上达到95.37%正确率
效果：
Source Text: 《在夏天冬眠》是容祖儿演唱的一首歌曲，收录于专辑《独照》中
Entity1: 独照 Entity2: 在夏天冬眠 Predict Relation: 所属专辑 True Relation: 所属专辑
Source Text: 2.花千骨花千骨是由慈文传媒集团制作并发行，高林豹、林玉芬、梁胜权联合执导，霍建华 、赵丽颖领衔主演，蒋欣、杨烁、张丹峰、马可、徐海乔、李纯等主演的古装仙侠玄幻 仙侠剧
Entity1: 赵丽颖 Entity2: 花千骨 Predict Relation: 主演 True Relation: 主演
Source Text: 在与王祖贤恋爱期间的齐秦，也是他事业最辉煌的时期，《大约在冬季》《无情的雨》《不让我的眼泪陪我过夜》《如果云知道》《夜夜夜夜》等经典曲目都是他为王祖贤所创作的，从这些歌也能感受到两个人是真爱，但是为什么就是没有一个结果呢
Entity1: 齐秦 Entity2: 大约在冬季 Predict Relation: 歌手 True Relation: 歌手
Source Text: 《甜蜜与厮杀》是连载在红袖添香网上的一部奇幻魔法小说，作者是kijimi1
Entity1: kijimi1 Entity2: 甜蜜与厮杀 Predict Relation: 作者 True Relation: 作者
使用方法
准备
- 将DUIE文件路径放置于代码同目录（或者自己的数据，具体可见loader.py)，更加具体的获取和数据处理见下文
- 将bert-base-chinese放置于同目录下的bert-base-chinese下或者自行指定位置
- 安装pytorch，cuda，transformer，numpy等组件（实际测试可运行环境为pytorch=1.5.1 transformers=2.5.1)
train and eval
（注意，在此之前，请做好数据的获取和预处理，步骤见文）
python3 main.py执行训练，并得到Fine-Tuing后的BERT
python3 demo.py得到样例输出，或自行阅读代码，修改test函数的传入参数内容即可自定义。
如果仅用于测试和实际使用，可以下载已经训练好的Model，然后调用demo.py下对应函数
caculate_acc：计算每一个类别的正确率
demo_output：随机选择样本，输出原文，实体对以及预测的关系，即实例输出
Model download（92.5%正确率的）
地址：https://pan.baidu.com/s/123qVcRa5SBKcMBLWxP5bKQ
提取码：bert
Model download（95.37%正确率的）
链接：https://pan.baidu.com/s/1ffOzN3FZ1foepB6NcSF5qQ 提取码：bert
数据
数据使用的是百度发布的DUIE数据，包含了实体识别和关系抽取
原数据地址：https://ai.baidu.com/broad/download?dataset=dureader
打开后在左侧栏选择knowledge extraction，然后如下界面点击下载train_data.json和dev_data.json，然后放到对应的位置
运行loader.py里的prepare_data，观察到目录里生成了train.json和dev.json
截止这里，数据的预处理完成了，可以运行main和demo
我对数据进行了预处理，提取关系抽取需要的部分
关系设定有49类，还是非常的丰富的
id2rel={0: 'UNK', 1: '主演', 2: '歌手', 3: '简称', 4: '总部地点', 5: '导演',
6: '出生地', 7: '目', 8: '出生日期', 9: '占地面积', 10: '上映时间',
11: '出版社', 12: '作者', 13: '号', 14: '父亲', 15: '毕业院校',
16: '成立日期', 17: '改编自', 18: '主持人', 19: '所属专辑',
20: '连载网站', 21: '作词', 22: '作曲', 23: '创始人', 24: '丈夫',
25: '妻子', 26: '朝代', 27: '民族', 28: '国籍', 29: '身高', 30: '出品公司',
31: '母亲', 32: '编剧', 33: '首都', 34: '面积', 35: '祖籍', 36: '嘉宾',
37: '字', 38: '海拔', 39: '注册资本', 40: '制片人', 41: '董事长', 42: '所在城市',
43: '气候', 44: '人口数量', 45: '邮政编码', 46: '主角', 47: '官方语言', 48: '修业年限'}
数据的格式如下，ent1和ent2是实体，rel是关系
Model
模型就是直接使用Bert用于序列分类的（BertEncoder+Fc+CrossEntropy）
具体的处理就是把ent1，ent2和sentence直接拼接送进模型
相对我之前对Bert的粗糙处理，这里加上了MASK-Attention一起送进模型
Result
从百度的原数据中选择20000条，测试数据2000条（原数据相对很小的一部分）
训练参数：10 Epoch，0.001学习率，设置label共有49种（包含UNK，代表新关系和不存在关系）
然后在训练前和训练后的分别在测试数据上测试，可以看到Fine-Tuing高度有效
测试集正确率达到 92.5%
修正：后来在所有的数据上训练和测试，测试数据36w，测试数据4w，eval正确率95+%
实际测试
在数据中抽取一部分实际测试
效果不错
