TPlinker解读

参考：
关系抽取之TPLinker解读加源码分析
TPLinker 实体关系抽取代码解读
实体关系联合抽取：TPlinker
TPLinker中文注释版

Tagging

TPLinker模型需要对关系三元组(subject, relation, object)进行手动Tagging，过程分为三部分：
（1）entity head to entity tail (EH-TO-ET)
（2）subject head to object head (SH-to-OH)
（3）subject tail to object tail (ST-to-OT)
标记示例见下图，EH-TO-ET用紫色表示，SH-to-OH用红色表示，ST-to-OT用蓝色表示。

- 其中紫色标签代表实体的头尾关系，红色标签代表 subject 和 object 两个实体的头部关系，蓝色标签代表 subject 和 object 两个实体的尾部关系，因为三种关系可能重叠，所以三种标签是存在于不同的矩阵，这里为了便于阐述，才放在一起。 - 因为实体尾部不可能出现在头部之前，所以紫色标签是不可能出现在下三角区的，那么这样标就有点浪费资源，我们可以舍弃掉下三角区域；但是红标和蓝标可能出现在下三角区域，因此，我们可以把下三角区域的值映射到上三角，并标记为2 - 标记方案如图：

模型框架

模型比较简单，整个句子过一遍 encoder，然后将 token 两两拼接输入到一个全连接层，再激活一下输出作为 token 对的向量表示，最后对 token 对进行分类即可。换句话说，这其实是一个较长序列的标注过程。

预测三元组

将模型对应的输出结果与输入的text进行匹配，解码出所需要的三元组。
通常先进行实体抽取得到字典D（key是实体头部，value是实体尾部）。
通过解码ST-to-OT关系得到有关系的两个实体的尾部，构建为字典E
通过解码SH-to-OH关系得到有关系的两个实体的头部，然后结合字典D，可以得到后续两个实体尾部。判断这两个实体尾部在不在字典E里面，如果在就是成功抽取了一条三元组。

训练数据的格式：

{"text": "In Queens , North Shore Towers , near the Nassau border , supplanted a golf course , and housing replaced a gravel quarry in Douglaston .", "id": "valid_0", "relation_list":
[{"subject": "Douglaston", "object": "Queens", "subj_char_span": [125, 135], "obj_char_span": [3, 9], "predicate": "/location/neighborhood/neighborhood_of", "subj_tok_span": [26, 28], "obj_tok_span": [1, 2]}, {"subject": "Queens", "object": "Douglaston", "subj_char_span": [3, 9], "obj_char_span": [125, 135], "predicate": "/location/location/contains", "subj_tok_span": [1, 2], "obj_tok_span": [26, 28]}], "entity_list":
[{"text": "Douglaston",
"type": "DEFAULT",
"char_span": [125, 135],
"tok_span": [26, 28]},
{"text": "Queens", "type": "DEFAULT", "char_span": [3, 9], "tok_span": [1, 2]},
{"text": "Queens", "type": "DEFAULT", "char_span": [3, 9], "tok_span": [1, 2]},
{"text": "Douglaston", "type": "DEFAULT", "char_span": [125, 135], "tok_span": [26, 28]}]}

训练数据的最外层有4个主键：

“text”：输入数据的文本
“id”：输入数据的id
“relation_list”：输入数据文本当中存在的关系。
“entity_list”：输入数据文本当中存在的实体。

模型所需要的输入数据

其中作为输入的有：

batch_input_ids：是单词在词典中的编码
batch_attention_mask：指定对哪些词进行self - Attention操作
batch_token_type_ids：区分两个句子的编码（上句全为0，下句全为1）

其中作为模型输出的标签来辅助更新权重的有：

batch_ent_shaking_tag：token的【起始位置，尾部位置，实体标签】
batch_head_rel_shaking_tag：【关系类别，实体_1 头部，实体_2头部，关系标签a】
batch_tail_rel_shaking_tag：【关系类别，实体_1 尾部，实体_2尾部，关系标签b】

根据模型所需要输入的数据对训练数据进行一系列的处理。
调整训练时的参数去训练自己的数据。
调整输入输出为自己喜欢的样式。

TPlinker解读相关推荐

TPLinker 联合抽取实体链接方式+源码分析
关系抽取–TPLinker: https://blog.csdn.net/weixin_42223207/article/details/116425447 Tagging TPLinker模型需要对 ...
Python Re 模块超全解读！详细
内行必看!Python Re 模块超全解读! 2019.08.08 18:59:45字数 953阅读 121 re模块下的函数 compile(pattern):创建模式对象 > import ...
Bert系列（二）——源码解读之模型主体
本篇文章主要是解读模型主体代码modeling.py.在阅读这篇文章之前希望读者们对bert的相关理论有一定的了解,尤其是transformer的结构原理,网上的资料很多,本文内容对原理部分就不做过多 ...
Bert系列（三）——源码解读之Pre-train
https://www.jianshu.com/p/22e462f01d8c pre-train是迁移学习的基础,虽然Google已经发布了各种预训练好的模型,而且因为资源消耗巨大,自己再预训练也不现 ...
NLP突破性成果 BERT 模型详细解读 bert参数微调
https://zhuanlan.zhihu.com/p/46997268 NLP突破性成果 BERT 模型详细解读章鱼小丸子不懂算法的产品经理不是好的程序员关注她 82 人赞了该文章 Goo ...
解读模拟摇杆原理及实验
解读模拟摇杆原理及实验 Interpreting Analog Sticks 当游戏支持控制器时,玩家可能会一直使用模拟摇杆.在整个体验过程中,钉住输入处理可能会对质量产生重大影响.让来看一些核心概念 ...
自监督学习(Self-Supervised Learning)多篇论文解读（下）
自监督学习(Self-Supervised Learning)多篇论文解读(下) 之前的研究思路主要是设计各种各样的pretext任务,比如patch相对位置预测.旋转预测.灰度图片上色.视频帧排序等 ...
自监督学习(Self-Supervised Learning)多篇论文解读（上）
自监督学习(Self-Supervised Learning)多篇论文解读(上) 前言 Supervised deep learning由于需要大量标注信息,同时之前大量的研究已经解决了许多问题.所以 ...
可视化反投射：坍塌尺寸的概率恢复：ICCV9论文解读
可视化反投射:坍塌尺寸的概率恢复:ICCV9论文解读 Visual Deprojection: Probabilistic Recovery of Collapsed Dimensions 论文链接: ...