English | 简体中文

开源中文知识图谱抽取框架开箱即用特别版DeepKE-cnSchema

DeepKE 是一个开源的知识图谱抽取与构建工具，支持低资源、长篇章、多模态的知识抽取工具，可以基于PyTorch实现命名实体识别、关系抽取和属性抽取功能。此版本DeepKE-cnSchema为开箱即用版本，用户下载模型即可实现支持cnSchema的实体和关系知识抽取。

内容导引

简介

DeepKE 是一个开源的知识图谱抽取与构建工具，支持低资源、长篇章、多模态的知识抽取工具，可以基于PyTorch实现命名实体识别、关系抽取和属性抽取功能。同时为初学者提供了详尽的文档，Google Colab教程，在线演示和幻灯片。

为促进中文领域的知识图谱构建和方便用户使用，DeepKE提供了预训练好的支持cnSchema的特别版DeepKE-cnSchema，支持开箱即用的中文实体抽取和关系抽取等任务，可抽取50种关系类型和28种实体类型，其中实体类型包含了通用的人物、地点、城市、机构等类型，关系类型包括了常见的祖籍、出生地、国籍、朝代等类型。

中文模型下载

对于实体抽取和关系抽取任务分别提供了基于RoBERTa-wwm-ext, Chinese和BERT-wwm, Chinese训练的模型。

使用说明

中国大陆境内建议使用百度网盘下载点，境外用户建议使用谷歌下载点。 实体抽取模型中，以Pytorch版DeepKE(RE), RoBERTa-wwm-ext, Chinese为例，下载完毕后得到模型文件：

checkpoints_robert
    |- added_tokens.json          # 额外增加词表
    |- config.json                # 整体参数
    |- eval_results.txt           # 验证结果
    |- model_config.json          # 模型参数
    |- pytorch_model.bin          # 模型
    |- special_tokens_map.json    # 特殊词表映射
    |- tokenizer_config.bin       # 分词器参数
    |- vocab.txt                  # 词表

其中config.json和vocab.txt与谷歌原版RoBERTa-wwm-ext, Chinese完全一致。 PyTorch版本则包含pytorch_model.bin, config.json, vocab.txt文件。

关系抽取模型中，以Pytorch版DeepKE(RE), RoBERTa-wwm-ext, Chinese为例，下载后为pth文件。

下载模型后，用户即可直接快速加载模型进行实体关系抽取。

数据集及中文基线系统效果

数据集

我们在中文实体识别和关系抽取数据集上进行了实验，实验结果如下

实体识别（NER）

DeepKE使用chinese-bert-wwm和chinese-roberta-wwm-ext为基础训练得到了DeepKE-cnSchema(NER)模型。模型所使用的超参数均为预定义的参数。最终经过训练后可以得到如下表的效果

关系抽取（RE）

DeepKE使用chinese-bert-wwm和chinese-roberta-wwm-ext为基础得到了DeepKE-cnschema(RE)模型。模型所使用的超参数均为预定义的参数。最终经过训练后可以得到如下表的效果

支持知识Schema类型

DeepKE-cnSchema特别版为支持中文领域知识图谱构建推出的开箱即用版本。 CnSchema是面向中文信息处理，利用先进的知识图谱、自然语言处理和机器学习技术，融合结构化与文本数据，支持快速领域知识建模，支持跨数据源、跨领域、跨语言的开放数据自动化处理，为智能机器人、语义搜索、智能计算等新兴应用市场提供schema层面的支持与服务。目前，DeepKE-cnSchema支持的Schema类型如下表所示：

实体Schema

关系Schema

快速加载

实体识别（NER）

用户可以直接下载模型进行使用，具体流程如下：

1. 将下载的模型文件夹命名为checkpoints

2. 修改 predict.yaml中的参数text为需要预测的文本

   使用训练好的模型，只需输入句子“《星空黑夜传奇》是连载于起点中文网的网络小说，作者是啤酒的罪孽”，运行python predict.py后可得到结果，结果显示“星空黑夜传奇”实体类型为经过cnschema对齐后的“网络小说”，“起点中文网”为“网站”，“啤酒的罪孽”为“人物。

   text=“《星空黑夜传奇》是连载于起点中文网的网络小说，作者是啤酒的罪孽”

3. 预测

   python predict.py

   最终输出结果

   NER句子：
   《星空黑夜传奇》是连载于起点中文网的网络小说，作者是啤酒的罪孽
   NER结果：
   [('星','B-UER'),('空','I-UER'),('黑','I-UER'),('夜','I-UER'),('传','I-UER'),('奇','I-UER'),('起','B-ZFM'),('点','I-ZFM'),('中','I-ZFM'),('文','I-ZFM'),('网','I-ZFM'),('啤','B-YAS'),('酒','I-YAS'),('的','I-YAS'),('罪','I-YAS'),('孽','I-YAS')]

关系抽取（RE）

使用者可以直接下载模型使用,步骤如下：

1. 修改 predict.yaml中的参数fp为下载文件的路径，embedding.yaml中num_relations为51（关系个数）,config.yaml中的参数model为lm

2. 进行预测。需要预测的文本及实体对通过终端输入给程序。

   python predict.py

   使用训练好的模型，运行python predict.py后，只需输入的句子为“歌曲《人生长路》出自刘德华国语专辑《男人的爱》，由李泉作词作曲，2001年出行发版”，给定的实体对为“男人的爱”和“人生长路”，可得到结果，最终抽取出的关系为经过cnschema对齐后的“所属专辑”。

   将predict.py的_get_predict_instance函数修改成如下范例，即可修改文本进行预测

   def _get_predict_instance(cfg):
       flag = input('是否使用范例[y/n]，退出请输入: exit .... ')
       flag = flag.strip().lower()
       if flag == 'y' or flag == 'yes':
           sentence = '歌曲《人生长路》出自刘德华国语专辑《男人的爱》，由李泉作词作曲，2001年出行发版'
           head = '男人的爱'
           tail = '人生长路'
           head_type = '所属专辑'
           tail_type = '歌曲'
       elif flag == 'n' or flag == 'no':
           sentence = input('请输入句子：')
           head = input('请输入句中需要预测关系的头实体：')
           head_type = input('请输入头实体类型：')
           tail = input('请输入句中需要预测关系的尾实体：')
           tail_type = input('请输入尾实体类型：')
       elif flag == 'exit':
           sys.exit(0)
       else:
           print('please input yes or no, or exit!')
           _get_predict_instance()
   
       instance = dict()
       instance['sentence'] = sentence.strip()
       instance['head'] = head.strip()
       instance['tail'] = tail.strip()
       if head_type.strip() == '' or tail_type.strip() == '':
           cfg.replace_entity_with_type = False
           instance['head_type'] = 'None'
           instance['tail_type'] = 'None'
       else:
           instance['head_type'] = head_type.strip()
           instance['tail_type'] = tail_type.strip()
   
       return instance

   最终输出结果

   “男人的爱”和“人生长路”在句中关系为“所属专辑”，置信度为0.99

联合三元组抽取

用户可以先将上述模型下载至本地，然后使用example/triple中的代码进行三元组抽取。如果单句中存在超过两个以上的实体数，可能在一些实体对中会存在预测不准确的问题，那是因为这些实体对并没有被加入训练集中进行训练，所以需要进一步判断，具体使用步骤如下：

1. 将conf文件夹中的predict.yaml中的text修改为预测文本，nerfp修改为ner模型文件夹地址，refp为re模型地址

2. 进行预测。

   python predict.py

   期间将输出各个中间步骤结果，以输入文本此外网易云平台还上架了一系列歌曲，其中包括田馥甄的《小幸运》等为例。

   2.1 输出经过ner模型后得到结果[('田', 'B-YAS'), ('馥', 'I-YAS'), ('甄', 'I-YAS'), ('小', 'B-QEE'), ('幸', 'I-QEE'), ('运', 'I-QEE')]。

   2.2 输出进行处理后结果{'田馥甄': '人物', '小幸运': '歌曲'}

   2.3 输出经过re模型后得到结果 "田馥甄" 和 "小幸运" 在句中关系为："歌手"，置信度为0.92。

   2.4 输出jsonld格式化后结果

   {
     "@context": {
       "歌手": "https://cnschema.openkg.cn/item/%E6%AD%8C%E6%89%8B/16693#viewPageContent"
     },
     "@id": "田馥甄",
     "歌手": {
       "@id": "小幸运"
     }
   }

自定义模型

实体识别任务（NER）

如果需要使用自定义的数据进行训练，步骤如下：

1. 下载自定义的数据集，将其放入命名为data的文件夹中

2. 将conf文件夹中的train.yaml中的bert_model修改为指定模型，用户可以通过修改yaml文件选择不同的模型进行训练（推荐直接下载模型，设置bert_model为模型路径）

3. 修改train.yaml中的labels为data/type.txt中所用到的标签

4. 进行训练

   python run.py

关系抽取任务（RE）

如果需要使用其他模型进行训练，步骤如下：

1. 下载自定义的数据集，将其重命名为data

2. 将conf文件夹中的train.yaml为lm,lm.yaml中的lm_file修改为指定预训练模型，embedding.yaml中num_relations为关系的个数如51，用户可以通过修改yaml文件选择不同的模型进行训练

3. 进行训练。

   python run.py

FAQ

Q: 这个模型怎么用？ A: 开箱即用，下载好模型按照使用说明就能够抽取预定义cnSchema包含的知识。 如果想抽取cnSchema之外的知识，可以使用高级版本自定义数据进行训练哦

Q: 请问有其他cnSchema抽取模型提供吗？ A: 很遗憾，我们暂时只能支持部分cnSchema的知识抽取，未来会发布更多的知识抽取模型。

Q: 我训出来比你更好的结果！ A: 恭喜你。

Q: 自己数据输入进去编码报错 A: 可能中文输入数据包含了不可见的特殊字符，这些字符无法被某些编码因而报错，您可以通过编辑器或其他工具预处理中文数据解决这一问题。

引用

如果本项目中的资源或技术对你的研究工作有所帮助，欢迎在论文中引用下述论文。

@inproceedings{DBLP:conf/emnlp/ZhangXTYYQXCLL22,
  author    = {Ningyu Zhang and
               Xin Xu and
               Liankuan Tao and
               Haiyang Yu and
               Hongbin Ye and
               Shuofei Qiao and
               Xin Xie and
               Xiang Chen and
               Zhoubo Li and
               Lei Li},
  editor    = {Wanxiang Che and
               Ekaterina Shutova},
  title     = {DeepKE: {A} Deep Learning Based Knowledge Extraction Toolkit for Knowledge
               Base Population},
  booktitle = {Proceedings of the The 2022 Conference on Empirical Methods in Natural
               Language Processing, {EMNLP} 2022 - System Demonstrations, Abu Dhabi,
               UAE, December 7-11, 2022},
  pages     = {98--108},
  publisher = {Association for Computational Linguistics},
  year      = {2022},
  url       = {https://aclanthology.org/2022.emnlp-demos.10},
  timestamp = {Thu, 23 Mar 2023 16:56:00 +0100},
  biburl    = {https://dblp.org/rec/conf/emnlp/ZhangXTYYQXCLL22.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

免责声明

该项目中的内容仅供技术研究参考，不作为任何结论性依据。使用者可以在许可证范围内任意使用该模型，但我们不对因使用该项目内容造成的直接或间接损失负责。

问题反馈

如有问题，请在GitHub Issue中提交。