/pytorch-relation-extraction

distant supervised relation extraction models: PCNN MIL (Zeng 2015), PCNN+ATT(Lin 2016). 关系抽取

Primary LanguagePython

2019.03.09更新:

  • 更新至Python3.X
  • 更新至Pytorch 0.4+(移除Variable等)
  • 使用mask作 Piece Pooling
  • 相比FilterNYT,建议使用大版本数据集NYT

2019.03.05:

修复mask piece wise的bug.

  • 更新至pytorch 0.4+, 0.3版本不兼容

2018.11.3:

基于mask的use_pcnn=True目前有一些问题,正在修改, 建议:

2018.10.14更新:

全监督的关系抽取PCNN(Zeng 2014)的代码地址: PCNN

2018.9.10 更新:

  • 参考OpenNRE使用mask可以快速计算piece wise pooling.
    • 修改NYT 53类数据处理 (完成)
    • 修改NYT 27类数据处理 (未完成)

数据处理已经修改

使用Pytorch 复现 PCNN+MIL (Zeng 2015) 与 PCNN+ATT (Lin 2016), 以及两个模型在两个大小版本的数据集上(27类关系/53类关系)的表现对比。

相关博客:

在代码的组织,结构设计上, 主要参考 陈云Pytorch实战指南 (个人推荐)。因此一些实现细节就不再赘述了,可以参考陈云的实战指南。

实现总览

环境:

  • Python 2.X
  • Pytorch 0.3.1
  • fire

简单介绍主要目录:

├── checkpoints         # 保存预加载模型
├── config.py             # 参数
├── dataset                # 数据目录
│ ├── FilterNYT         # SMALL 数据
│ ├── NYT                 # LARGE 数据
│ ├── filternyt.py
│ ├── __init__.py
│ ├── nyt.py
├── main_mil.py       # PCNN+ONE 主文件
├── main_att.py        # PCNN+ATT 主文件
├── models               # 模型目录
│ ├── BasicModule.py
│ ├── __init__.py
│ ├── PCNN_ATT.py
│ ├── PCNN_ONE.py
├── plot.ipynb
├── README.md
├── utils.py                # 工具函数

这份代码基本上是按照陈云的指南模仿来写的。 数据模型分开,参数/配置单独文件, 并且使用fire 库来管理命令行参数,更加方便修改参数。

因为PCNN+ONE和PCNN+ATT的训练,测试方法不太一样,因此为了简单起见, 分别写了主文件: main_mil.pymain_att.py

训练方式一样,如使用PCNN+ONE 训练大数据集, 后面可以直接修改参数, 默认使用config.py的参数:


python main_mil.py train --data="NYT"  --batch_size=128

注:需要提前按照下一节处理下数据(主要是生成npy格式的数据,方便直接被模型导入).

数据预处理

为了节省空间, 上传了LARGE和SMALL两份的原生数据,因此需要用数据预处理下,从而生成npy格式数据。

首先下载两份原始数据,地址:

百度网盘 谷歌云盘

数据格式简单说明:

  • 第一行: 两个实体ID: ent1id ent2id
  • 第二行: bag标签和bag内句子个数,其中由于少数bag有多个label(不会超过4个),因此句子label用4个整数表示,-1表示为空,如: 2 4 -1 -1 3 表示该bag的标签为2和4,然后包含3个句子
  • 后续几行表示该bag内的句子

将两个zip放到dataset目录下,解压,这样会形成两个目录 ,一个NYT, 一个FilterNYT, 其中LARGE数据集在NYT目录,SMALL数据在FilterNYT内,这里的原始数据分别是从Zeng 2015 以及 Lin2016 的开源代码中获得。

对于LARGE数据:

  • 切换到NYT目录下,

  • 编译执行extract_cpp目录的extract.cpp: g++ extract.cpp -o extract, 之后执行:./extract, 得到bag_train.txt, bag_test.txt, vector.txt (在NYT目录内),该cpp是Lin2016预处理的代码

  • 切换回主目录:执行数据预处理: python dataset/nyt.py 这样就会在NYT目录下生成一系列的npy文件。

对于SMALL数据

  • 直接执行 python dataset/filternyt.py 即可在FilterNYT的目录下生成npy文件。

生成的NPY文件,均使用Pytorch的Dataset来直接导入,具体代码见 nyt.pyfilternyt.py*Data类.

数据预处理完毕之后,即可按照上述的命令来训练/测试。

调参优化

在复现的过程了花了不少功夫,踩了不少坑,简单记一下:

  • 优化函数使用Adadelta而不是Adam, 用SGD 也可以,不过不如Adadelta 效果好。

  • Zeng 2015的theano代码中,关于select instance 和predict的地方,有些错误(并没有取概率最大的instance)

  • BatchSize相对大一些效果要好(128)

关于结果的说明可以在博客查看。

参考