开放领域的关系抽取的一次尝试

平台组成

1. 标注平台（前端网页），对应目录spo_tagging_platform；
2. 标注内容： S,P,O, is_tagging, 原文以及SPO的关系。
3. 模型：

• S,P,O: 序列标注算法（ALBERT+BiLSTM+CRF），对应目录sequence_labeling，在测试集上的F1大约为81%；
• 关系抽取: 文本二分类(ALBERT+BiGRU+ATT)，对应目录text_classification，在测试集上的准确率大约为96%。

标注语料来源于新闻内容和小说内容。

4. 该项目在提取小说、新闻以及其他无结构文本方面的应用，对应目录为extract_example。

数据介绍

  现阶段的序列标注算法的样本为3211个，关系抽取的标注数据为9279，共有关系1365个，数量最多的前20个关系如下图：

平台使用前的准备工作

• 该平台采用Python3开发，需要安装的模块参考requirements.txt

如何使用该平台？

序列标注算法和文本二分类已经训练好，可以直接clone下来使用。

1. 运行sequence_labeling/run.py，该HTTP服务运行端口为12306；

2. 运行text_classification/extract_server.py，该HTTP服务运行端口为12308；

在Postman中输入如下（输入为一个句子，句子不宜过长，建议句子长度不超过128个字）：

平台效果

  该平台标注的时候，标注内容大部分为人物头衔，人物关系，公司与人的关系，影视剧主演、导演信息等。

  当句子有只有一对三元组的时候，效果相对较好。

  extract_example目录中为抽取的效果，包括几本小说和一些新闻上的效果，关于这方面的演示，可以参考另一个项目：https://github.com/percent4/knowledge_graph_demo 。

  一些句子也存在抽取出无用的三元组的情况，导致召回率偏高，这是因为本项目针对的是开放领域的三元组抽取，因此效果比不会有想象中的那么好，提升抽取效果的办法如下：

• 增加数据标注量，目前序列标注算法的样本仅3211多个；
• 模型方面：现在是pipeline形式，各自的效果还行，但总体上不如Joint形式好；
• 对于自己想抽的其他三元组的情形，建议增加这方面的标注；
• 文本预测耗时长（该问题已经解决）。

交流

  本项目作为笔者在开放领域的三元组抽取的一次尝试，在此之前关于这方面的文章或者项目还很少，因此可以说是探索阶段。

  源码和数据已经在项目中给出。

  如需要更深一步的交流，请发送消息至邮箱[email protected]，或者在Github上直接留言。

  本人的微信公众号为Python爬虫与算法，欢迎关注~