中文关系抽取
人物关系抽取比赛https://biendata.com/competition/ccks_2019_ipre/leaderboard/
备用下载链接：https://pan.baidu.com/s/1JR7L_pCIXFLLjrbRSOJw9A 提取码：obn7
关系：
这里进行了三方面的尝试
一个是使用OpenNRE，这是一个清华开发的API:https://github.com/thunlp/OpenNRE 对应于openNRE文件夹下
一个是(BGRU+2ATT)网络：https://github.com/squirrel1982/TensorFlow-NRE
最后一个是一个简单的版本对应于bag_sent文件夹下
OpenNRE其目前只实现了bag方式的单标签，没有实现多标签，且没有sent方式，不过现在好像正在开发，大家可以期待，对其感兴趣的同学可以关注：
https://github.com/thunlp/OpenNRE/tree/nrekit
所以准确来说，OpenNRE并不适用该比赛，为此，为了进一步展示bag方式（多标签）和sent这种形式，这里会结合比赛的给出的baseline的代码进行实践，补存实现pcnn,rnn,cnn(目前只有sentences)等即bag_sent文件夹下
baseline：https://github.com/ccks2019-ipre/baseline
还有就是GRU，其官方对比效果好于OpenNRE，其实可以看成是一个改进版吧
https://github.com/squirrel1982/TensorFlow-NRE
这也是本篇主要参考几篇资料，第一部分和第三部分在该比赛中效果不好，这里之所以讲主要目的就是介绍一下其使用流程，以便有需要的场合使用。关于本比赛的部分解决方案可以直接看bag_sent部分
首先下载后数据集后，训练词向量
Python word2vec_train.py
因为其只能处理单标签，这里就用sent的数据 一 ：在OpenNRE文件夹下创建/data/people_relation/文件夹，将训练好的词向量和解压的数据放入
二 ：将txt转化成json
python txt2json.py
三：训练
python train_demo.py people_relation pcnn att
四：性能
python draw_plot.py people_relation_pcnn_att
五:预测
python test_demo.py people_relation pcnn att
六：转化为txt
python json2txt.py people_relation_pcnn_att
说明：entity文件夹下的两个脚本对应的是在转化过程中将实体对单独编码id，这个逻辑上面更通一些
在该文件加下创建/data文件夹，将解压的数据和词向量放入
一：下载bert模型
因为这里看了一下bert，所以需要下载训练好的bert模型， 链接：https://pan.baidu.com/s/1ZuiOLCSluMCyVp3HhvCexw 提取码：rhza , 下载好后将其解压放到bag_sent/bert_model/文件夹下
二：训练 假设使用cnn 训练sent模式
baseline.py --encoder rnn --level sent
假设使用pcnn 训练bag模式
baseline.py --encoder rnn --level bag
四：预测
baseline.py --encoder rnn --level bag --mode test
会在当前文件夹生成结果
一：将解压的数据放入origin_data目录下
二：数据预处理
python initial.py
三：训练
python train_GRU.py
其中它会自动调用test_GRU.py验证其在dev上面的性能
四：预测结果
python predict_GRU.py 2643
其中2643是加载2643模型，可以加载别的，具体看model下面有哪些即可
更新(此时比赛已经结束，没办法验证线上，下面是线下的结果)：
一 input+双层birnn（lstm）+attention_1
sent: 0.2515
二 input+单层birnn（gru）+attention_1
sent:0.2693
三 input+cnn
bag:0.2819
四 input+双层birnn+attention_2
sent:0.2698
五 input（cnn）+双层birnn+attention_2
sent:0.2088
六 双层birnn+attention_1+level_1
sent:0.254
七 双层birnn+attention_1+MASK
sent:0.272969
八 双层birnn（gru）+attention_1+drop
sent:0.276112
九 双层birnn（gru）+attention_1+drop+MASK
sent:0.264407
十 双层birnn（gru）+attention_1+drop+shuffle
sent:0.256494
十一 双层birnn（gru）+attention_1+drop+shuffle+MASK
sent:0.280276
十二 双层birnn（gru）+attention_1+shuffle+MASK
sent:0.271749
十三 双层birnn（gru）+MultiHeadAttention+drop
sent:0.273533
需要说明的是这里个f1是35类的f1结果，而bag_sent部分的f1都是除去NA类别的f1
https://blog.csdn.net/weixin_42001089/article/details/95493249
一个基于bert的三元组关系抽取 https://blog.csdn.net/weixin_42001089/article/details/97657149
一个半监督的关系抽取： https://github.com/Mryangkaitong/python-Machine-learning/tree/master/deepdive
https://blog.csdn.net/weixin_42001089?spm=1001.2101.3001.5343