pytorch-relation-extraction：实践指南

实际看pytorch-relation-extraction，先要确认它的用途：distant supervised relation extraction models: PCNN MIL (Zeng 2015)。日常自动化里，输入边界、依赖和失败处理如果不清楚就很难稳定复用。我会用一项范围明确的真实任务完成最小试跑，检查配置时间、输出质量、异常信息和维护痕迹。它适合愿意先做小范围验证并复查原始文档的团队；采用前仍要看维护状态和试跑结果。

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:

• 直接使用 use_pcnn=False 测试，性能差不太多
• 使用mask修改之前的版本: https://github.com/ShomyLiu/pytorch-relation-extraction/tree/7e3ef1720d43690fc0da0d81e54bdc0fc0cf822a

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:

• 关系抽取论文笔记

• 复现结果说明

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.py与main_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.py 与filternyt.py 的 *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

• PCNN+ONE Zeng 2015
• PCNN+ATT Lin 2016
• RE-DS-Word-Attention-Models
• GloRE

附

使用此代码可以自愿选择引用：

@inproceedings{liu2019reet,
  title={REET: Joint Relation Extraction and Entity Typing via Multi-task Learning},
  author={Liu, Hongtao and Wang, Peiyi and Wu, Fangzhao and Jiao, Pengfei and Wang, Wenjun and Xie, Xing and Sun, Yueheng},
  booktitle={CCF International Conference on Natural Language Processing and Chinese Computing},
  pages={327--339},
  year={2019},
  organization={Springer}
}