实体识别(NER)

用户可以直接下载模型进行使用，具体流程如下:

1. 将下载文件夹命名为checkpoints

2. 修改源码中的get_labels函数，返回的标签改为所给type.txt中所用到的标签

  def get_labels(self):
      return ['O', 'B-YAS', 'I-YAS', 'B-TOJ', 'I-TOJ', 'B-NGS', 'I-NGS',
              'B-QCV', 'I-QCV', 'B-OKB', 'I-OKB', 'B-BQF', 'I-BQF', 'B-CAR',
              'I-CAR', 'B-ZFM', 'I-ZFM', 'B-EMT', 'I-EMT', 'B-UER', 'I-UER',
              'B-QEE', 'I-QEE', 'B-UFT', 'I-UFT', 'B-GJS', 'I-GJS', 'B-SVA',
              'I-SVA', 'B-ANO', 'I-ANO', 'B-KEJ', 'I-KEJ', 'B-ZDI', 'I-ZDI',
              'B-CAT', 'I-CAT', 'B-GCK', 'I-GCK', 'B-FQK', 'I-FQK', 'B-BAK',
              'I-BAK', 'B-RET', 'I-RET', 'B-QZP', 'I-QZP', 'B-QAQ', 'I-QAQ',
              'B-ZRE', 'I-ZRE', 'B-TDZ', 'I-TDZ', 'B-CVC', 'I-CVC', 'B-PMN',
              'I-PMN', '[CLS]', '[SEP]']
							

3. 修改predict.yaml中的参数text为需要预测的文本

4. 进行预测，需要预测的文本及实体对通过终端输入给程序

  python predict.py
							

使用训练好的模型，只需输入句子“《星空黑夜传奇》是连载于起点中文网的网络小说，作者是啤酒的罪孽”，运行 ``python predict.py``后可得到结果，结果显示“星空黑夜传奇”实体类型为“网络小说”，“起点中文网”实体类型为为“网站”，“啤酒的罪孽”实体类型为“人物。

修改predict.yaml中的参数text为需要预测的文本

  text=“《星空黑夜传奇》是连载于起点中文网的网络小说，作者是啤酒的罪孽”
							

最终输出结果

  NER句子：
  《星空黑夜传奇》是连载于起点中文网的网络小说，作者是啤酒的罪孽
  NER结果：
  [('星','B-UER'),('空','I-UER'),('黑','I-UER'),('夜','I-UER'),('传','I-UER'),
   ('奇','I-UER'),('起','B-ZFM'),('点','I-ZFM'),('中','I-ZFM'),('文','I-ZFM')
   ('网','I-ZFM'),('啤','B-YAS'),('酒','I-YAS'),('的','I-YAS'),('罪','I-YAS'),
   ('孽','I-YAS')]
							

关系抽取(RE)

用户可以直接下载模型进行使用，具体流程如下:

1. 修改predict.yaml中的参数fp为下载文件的路径，embedding.yaml中num_relations为51 (关系个数)

2. 进行预测，需要预测的文本及实体对通过终端输入给程序

  python predict.py
							

使用训练好的模型，运行 ``python predict.py``后，输入句子“歌曲《人生长路》出自刘德华国语专辑《男人的爱》，由李泉作词作曲，2001年出行发版”，给定实体对为“男人的爱”和“人生长路”，即可抽取出关系“所属专辑”。

将predict.py中的_get_predict_instance函数改成如下范例，即可修改文本进行预测

  def _get_predict_instance(cfg):
      flag = input('是否使用范例[y/n]，退出请输入: exit .... ')
      flag = flag.strip().lower()
      if flag == 'y' or flag == 'yes':
          sentence = '歌曲《人生长路》出自刘德华国语专辑《男人的爱》，由李泉作词作曲
                      2001年出行发版'
          head = '男人的爱'
          tail = '人生长路'
          head_type = ''
          tail_type = ''
      elif flag == 'n' or flag == 'no':
          sentence = input('请输入句子：')
          head = input('请输入句中需要预测关系的头实体：')
          head_type = input('请输入头实体类型（可以为空，按enter跳过）：')
          tail = input('请输入句中需要预测关系的尾实体：')
          tail_type = input('请输入尾实体类型（可以为空，按enter跳过）：')
      elif flag == 'exit':
          sys.exit(0)
      else:
          print('please input yes or no, or exit!')
          _get_predict_instance()
							
      instance = dict()
      instance['sentence'] = sentence.strip()
      instance['head'] = head.strip()
      instance['tail'] = tail.strip()
      if head_type.strip() == '' or tail_type.strip() == '':
          cfg.replace_entity_with_type = False
          instance['head_type'] = 'None'
          instance['tail_type'] = 'None'
      else:
          instance['head_type'] = head_type.strip()
          instance['tail_type'] = tail_type.strip()
							
      return instance
							

最终输出结果

  “男人的爱”和“人生长路”在句中关系为“所属专辑”，置信度为0.99
							

联合三元组抽取

用户可以先将上述模型下载至本地，然后使用example/triple中的代码进行三元组抽取。 如果单句中存在超过两个以上的实体数，可能在一些实体对中会存在预测不准确的问题，那是因为这些实体对并没有被加入训练集中进行训练，所以需要进一步判断，具体使用步骤如下：

1. 将conf文件夹中的predict.yaml中的text修改为预测文本，nerfp修改为NER模型文件夹地址，refp为RE模型地址

2. 进行预测

  python predict.py
							

期间将输出各个中间步骤结果，以输入文本此外网易云平台还上架了一系列歌曲，其中包括田馥甄的《小幸运》等为例

2.1 输出经过NER模型后得到结果

  [('田', 'B-YAS'), ('馥', 'I-YAS'), ('甄', 'I-YAS'), ('小', 'B-QEE'), ('幸', 'I-QEE'), ('运', 'I-QEE')]
							

2.2 输出进行处理后结果

  {'田馥甄': '人物', '小幸运': '歌曲'}
							

2.3 输出经过RE模型后得到结果

  "田馥甄" 和 "小幸运" 在句中关系为："歌手"，置信度为0.92。
							

2.4 输出jsonld格式化后结果

  {
    "@context": {
      "歌手": "https://baike.baidu.com/item/%E6%AD%8C%E6%89%8B/16693#viewPageContent"
    },
    "@id": "田馥甄",
    "歌手": {
      "@id": "小幸运"
    }
  }