知识图谱之《海贼王-ONEPICE》领域图谱项目实战（含码源）：数据采集、知识存储、知识抽取、知识计算、知识应用、图谱可视化

# DeepKE DeepKE 是基于 Pytorch 的深度学习中文关系抽取处理套件。 ## 环境依赖: > python >= 3.6 - torch >= 1.2 - hydra-core >= 0.11 - tensorboard >= 2.0 - matplotlib >= 3.1 - transformers >= 2.0 - jieba >= 0.39 - ~~pyhanlp >= 0.1.57~~（中文句法分析使用，但是在多句时效果也不好。。求推荐有比较好的中文句法分析） ## 主要目录 ``` ├── conf # 配置文件夹 │ ├── config.yaml # 配置文件主入口 │ ├── preprocess.yaml # 数据预处理配置 │ ├── train.yaml # 训练过程参数配置 │ ├── hydra # log 日志输出目录配置 │ ├── embedding.yaml # embeding 层配置 │ ├── model # 模型配置文件夹 │ │ ├── cnn.yaml # cnn 模型参数配置 │ │ ├── rnn.yaml # rnn 模型参数配置 │ │ ├── capsule.yaml # capsule 模型参数配置 │ │ ├── transformer.yaml # transformer 模型参数配置 │ │ ├── gcn.yaml # gcn 模型参数配置 │ │ ├── lm.yaml # lm 模型参数配置 ├── pretrained # 使用如 bert 等语言预训练模型时存放的参数 │ ├── vocab.txt # BERT 模型词表 │ ├── config.json # BERT 模型结构的配置文件 │ ├── pytorch_model.bin # 预训练模型参数 ├── data # 数据目录 │ ├── origin # 训练使用的原始数据集 │ │ ├── train.csv # 训练数据集 │ │ ├── valid.csv # 验证数据集 │ │ ├── test.csv # 测试数据集 │ │ ├── relation.csv # 关系种类 │ ├── out # 预处理数据后的存放目录 ├── module # 可复用模块 │ ├── Embedding.py # embedding 层 │ ├── CNN.py # cnn │ ├── RNN.py # rnn │ ├── Attention.py # attention │ ├── Transformer.py # transformer │ ├── Capsule.py # capsule │ ├── GCN.py # gcn ├── models # 模型目录 │ ├── BasicModule.py # 模型基本配置 │ ├── PCNN.py # PCNN / CNN 模型 │ ├── BiLSTM.py # BiLSTM 模型 │ ├── Transformer.py # Transformer 模型 │ ├── LM.py # Language Model 模型 │ ├── Capsule.py # Capsule 模型 │ ├── GCN.py # GCN 模型 ├── test # pytest 测试目录 ├── tutorial-notebooks # simple jupyter notebook tutorial ├── utils # 常用工具函数目录 ├── metrics.py # 评测指标文件 ├── serializer.py # 预处理数据过程序列化字符串文件 ├── preprocess.py # 训练前预处理数据文件 ├── vocab.py # token 词表构建函数文件 ├── dataset.py # 训练过程中批处理数据文件 ├── trainer.py # 训练验证迭代函数文件 ├── main.py # 主入口文件（训练） ├── predict.py # 测试入口文件（测试） ├── README.md # read me 文件 ``` ## 快速开始 数据为 csv 文件，样式范例为： sentence|relation|head|head_offset|tail|tail_offset :---:|:---:|:---:|:---:|:---:|:---: 《岳父也是爹》是王军执导的电视剧，由马恩然、范明主演。|导演|岳父也是爹|1|王军|8 《九玄珠》是在纵横中文网连载的一部小说，作者是龙马。|连载网站|九玄珠|1|纵横中文网|7 提起杭州的美景，西湖总是第一个映入脑海的词语。|所在城市|西湖|8|杭州|2 - 安装依赖： `pip install -r requirements.txt` - 存放数据：在 `data/origin` 文件夹下存放训练数据。训练文件主要有三个文件。更多数据建议使用百度数据库中[Knowledge Extraction](http://ai.baidu.com/broad/download)。 - `train.csv`：存放训练数据集 - `valid.csv`：存放验证数据集 - `test.csv`：存放测试数据集 - `relation.csv`：存放关系种类 - 开始训练：python main.py - 每次训练的日志保存在 `logs` 文件夹内，模型结果保存在 `checkpoints` 文件夹内。 ## 具体介绍 见 [wiki](https://github.com/zjunlp/deepke/wiki) ## 备注（常见问题） 1. 使用 Anaconda 时，建议添加国内镜像，下载速度更快。如[清华镜像](https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/)。 1. 使用 pip 时，建议使用国内镜像，下载速度更快，如阿里云镜像。 1. 安装后提示 `ModuleNotFoundError: No module named 'past'`，输入命令 `pip install future` 即可解决。 1. 使用 `python main.py --help` 可以查看所有可配置参数，并定制修改参数结果。参数为 bool 值的，可以用 `1，0` 代替 `True, False`。 - 如 `python main.py epoch=100 batch_size=128 use_gpu=False` 1. 使用 `python main.py xxx=xx,xx -m` 可以多任务处理程序。 - 如 `python main.py model=cnn,rnn,lm chinese_split=0,1 -m` 可以生成 3*2=6 个子任务。 1. 中文英文在数据预处理上有很多不同之处，`serializer.py` 用来专门序列化句子为 tokens。中文分词使用的是 jieba 分词。 - 英文序列化要求：大小写、特殊标点字符处理、特殊英文字符是否分词、是否做 word-piece 处理等。 - 中文序列化要求：是否分词、遇到英文字母是否大小写处理、是否将英文单词拆分按照单独字母处理等。 1. PCNN 预处理时，需要按照 head tail 的位置，将句子分为三段，做 piece wise max pooling。如果句子本身无法分为三段，就无法用统一的预处理方式处理句子。 - 比如句子为：`杭州西湖`，不管怎么分隔都不能分隔为三段。 - 原文分隔三段的方式为：`[...head, ..., tail....]`，当然也可以分隔为：`[..., head...tail, ....]`，或者 `[...head, ...tail, ....]` 或者 `[..., head..., tail...]` 等。具体效果没多少区别。 1. PCNN 为什么不比 CNN 好，甚至更差？？ - 本人在跑百度的数据集，也发现 PCNN 效果并没有想象中的比 CNN 有提升，甚至大多时候都不如 CNN 那种直接 max pooling的结果。百度的 [ARNOR](https://github.com/PaddlePaddle/models/tree/develop/PaddleNLP/Research/ACL2019-ARNOR) 结果也是 PCNN 并不一定比 CNN 好。 1. 使用语言预训练模型时，在线安装下载模型比较慢，更建议提前下载好，存放到 `pretrained` 文件夹内。具体存放文件要求见文件夹内的 `readme.md`。 1. 数据量较小时，直接使用如12层的 BERT，效果并不理想。此时可采取一些处理方式改善效果： - 数据量较小时层数调低些，如设置为2、3层。 - 按照 BERT 训练方式，对新任务语料按照语言模型方式预训练。 1. 在单句上使用 GCN 时，需要先做句法分析，构建出词语之间的邻接矩阵（句法树相邻的边值设为1，不相邻为0）。 - ~~目前使用的是 `pyhanlp` 工具构建语法树。这个工具需要按照 java 包，具体使用见 [pyhanlp](https://github.com/hankcs/pyhanlp) 的介绍。~~ pyhanlp 在多句时效果也不理想，很多时候把整个单句当作一个节点。 ## 后续工作 - [x] 重构代码，将模型可复用部分单独提取出来 - [ ] 添加经典实体关系联合抽取模型 - [ ] 添加 web 页面，以供预测输入句子信息可视化 > Aut