OpenUE is a lightweight toolkit for knowledge graph extraction.
OpenUE 是一个轻量级知识图谱抽取工具。
特点
- 基于预训练语言模型的知识图谱抽取任务 (兼容BERT, Roberta等预训练模型.)
- 实体关系抽取
- 事件抽取
- 槽位和意图抽取
- 更多的任务
- 训练和测试接口
- 快速部署NLP模型
- python3.8
- requirements.txt
其中主要分为三个模块，models,lit_models和data模块。
其存放了我们主要的三个模型，针对整句的关系识别模型，针对已知句中关系的命名实体识别模型，还有将前两者整合起来的推理验证模型。其主要源自transformers库中的已定义好的预训练模型。
其中的代码主要继承自pytorch_lightning.Trainer。其可以自动构建单卡，多卡，GPU,TPU等不同硬件下的模型训练。我们在其中定义了training_steps和validation_step即可自动构建训练逻辑进行训练。
由于其硬件不敏感，所以我们可以使用多种不同环境下调用OpenUE训练模块。
data中存放了针对不同数据集进行不同操作的代码。使用了transformers库中的tokenizer先对数据进行分词处理再根据不同需要将数据变成我们需要的features。
conda create -n openue python=3.8
conda activate openue
pip install -r requirements.txt
conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch -c nvidia # 视自己Nvidia驱动环境选择对应的cudatoolkit版本
python setup.py install
pip install openuepython setup.py develop数据格式为json文件，具体例子如下。
{
"text": "查尔斯·阿兰基斯（Charles Aránguiz），1989年4月17日出生于智利圣地亚哥，智利职业足球运动员，司职中场，效力于德国足球甲级联赛勒沃库森足球俱乐部",
"spo_list": [{
"predicate": "出生地",
"object_type": "地点",
"subject_type": "人物",
"object": "圣地亚哥",
"subject": "查尔斯·阿兰基斯"
}, {
"predicate": "出生日期",
"object_type": "Date",
"subject_type": "人物",
"object": "1989年4月17日",
"subject": "查尔斯·阿兰基斯"
}]
}将数据存放在./dataset/目录下之后进行训练。如目录为空，运行以下脚本，将自动下载数据集和预训练模型并开始训练，过程中请保持网络畅通以免模型和数据下载失败。
# 训练NER命名实体识别模块
./scripts/run_ner.sh
# 训练SEQ句中关系分类模块
./scripts/run_seq.sh下面使用一个小demo简要展示训练过程，其中仅训练一个batch来加速展示。
由于我们使用pipeline模型，所以无法联合训练，需要分别训练后进行统一验证。 在运行了两个训练脚本后，在output路径下会得到两个模型权重output/ner/${dataset}以及output/seq/${dataset}根据不同数据集放在对应的目录中。将模型权重目录分别作为ner_model_name_or_path和seq_model_name_or_path输入到 run_infer.yaml或者是run_infer.sh运行脚本中，即可进行验证。
ske数据集训练notebook
使用中文数据集作为例子具体介绍了如何使用openue中的lit_models,models和data。方便用户构建自己的训练逻辑。
# 在代码中将logger 部分替换成wandb logger即可支持wandb
logger = pl.loggers.WandbLogger(project="openue")针对英文数据集，唯一需要改变的参数为model_name_or_path即预训练语言模型的权重参数，由于transformers库强大的兼容性，所以针对英文只需要将原先的中文预训练语言模型bert-base-chinese改为英文的预训练语言模型bert-base-uncased即可运行。
我们已经在deploy文件夹下放置了对应的部署类handler_seq.py和handler_ner.py。
# 使用torch-model-archiver 将模型文件进行打包，其中
# extra-files需要加入以下文件
# config.json, setup_config.json 针对模型和推理的配置config。
# vocab.txt : 分词器tokenizer所使用的字典
# model.py : 模型具体代码
torch-model-archiver --model-name BERTForNER_en \
--version 1.0 --serialized-file ./ner_en/pytorch_model.bin \
--handler ./deploy/handler.py \
--extra-files "./ner_en/config.json,./ner_en/setup_config.json,./ner_en/vocab.txt,./deploy/model.py" -f
# 将打包好的.mar文件加入到model-store文件夹下，并使用curl命令将打包的文件部署到docker中。
sudo cp ./BERTForSEQ_en.mar /home/model-server/model-store/
curl -v -X POST "http://localhost:3001/models?initial_workers=1&synchronous=false&url=BERTForSEQ_en.mar&batch_size=1&max_batch_delay=200"浙江大学：张宁豫、谢辛、毕祯、王泽元、陈想、余海阳、邓淑敏、叶宏彬、田玺、郑国轴、陈华钧
达摩院：陈漠沙、谭传奇、黄非
如果您使用或扩展我们的工作，请引用以下文章：
@inproceedings{DBLP:conf/emnlp/ZhangDBYYCHZC20,
author = {Ningyu Zhang and
Shumin Deng and
Zhen Bi and
Haiyang Yu and
Jiacheng Yang and
Mosha Chen and
Fei Huang and
Wei Zhang and
Huajun Chen},
editor = {Qun Liu and
David Schlangen},
title = {OpenUE: An Open Toolkit of Universal Extraction from Text},
booktitle = {Proceedings of the 2020 Conference on Empirical Methods in Natural
Language Processing: System Demonstrations, {EMNLP} 2020 - Demos,
Online, November 16-20, 2020},
pages = {1--8},
publisher = {Association for Computational Linguistics},
year = {2020},
url = {https://doi.org/10.18653/v1/2020.emnlp-demos.1},
doi = {10.18653/v1/2020.emnlp-demos.1},
timestamp = {Wed, 08 Sep 2021 16:17:48 +0200},
biburl = {https://dblp.org/rec/conf/emnlp/ZhangDBYYCHZC20.bib},
bibsource = {dblp computer science bibliography, https://dblp.org}
}
