实体关系抽取_GPLinker

介绍

实体关系抽取是文本结构化、构建专业知识图谱的核心 step。

本算法是 GPLinker 的 pytorch 复现(简单易懂，杜绝花里胡哨)，该方法的核心是：

• 对输入文本 S={w1,w2,...,wn} 的编码向量以【token-pair】标记方式建模 n×n 大小的词元矩阵，进而做实体识别、实体关系抽取任务。
• 与之相似的工作有：TP-Linker、multi-head selection、Word-pair 等。较之传统的 BIO 序列标注、span 指针网络标注方式，token-pair 建模方式现在是实体关系抽取 sota 必备 schema。

数据集

中文医疗信息处理挑战榜 CBLUE 中 CMeIE 数据集，同样是 CHIP2020/2021 的医学实体关系抽取数据集。

环境

• python 3.8.1
• pytorch==1.8.1
• transformer==4.9.2
• configparser

预训练模型

RoBerta-zh-large下载

运行

请把 config.ini 中对应的【paths】换为你自己的

train

python main.py

predict

python predict.py

效果

• 使用医学实体关系抽取数据集，阿里天池在线测试F1分数【59.82%】，提交的测试结果在./result文件夹中

  【不再提供，可以直接提交的测试结果文件】

• 之前复现的 CasRel 方法，参考 DeepIE 仓库 ，在线F1分数为【60.556%】，后续整理开源

  注意：TOP-1【66.044%】是百度知识图谱团队的 ERNIE ，基本属于吊打其余方法，但是对于在校生、小团队而言，F1分数如果能上【62%】就属于非常非常好了

• 注意最新的 CBLUE 打榜，需要把生成的 CMeIE_test.json 后缀改为 jsonl，再压缩提交

TODO

• 训练过程未根据验证集的F1分数保存最优模型，直接用的最后一个epoch的权重，有需要的自行实现就好了

• 把globalpointer 替换 Efficient-GlobalPointer，torch的源码本人都已经公布，自行实现就好