网站必须备案全网营销系统1700元真实吗
✨✨ 欢迎大家来访Srlua的博文（づ￣3￣）づ╭❤～✨✨🌟🌟 欢迎各位亲爱的读者，感谢你们抽出宝贵的时间来阅读我的文章。
我是Srlua小谢，在这里我会分享我的知识和经验。🎥
希望在这里，我们能一起探索IT世界的奥妙，提升我们的技能。🔮
记得先点赞👍后阅读哦~ 👏👏
📘📚 所属专栏：传知代码论文复现
欢迎访问我的主页：Srlua小谢 获取更多信息和资源。✨✨🌙🌙
目录
概述
核心逻辑
论文工作阐述
本文优化点
实体向量嵌入方式的优化
实体识别层模型的优化
相关学习率调整算法
演示效果
使用方式
环境配置
运行训练
执行测试
本文所有资源均可在该地址处获取。
概述
实体关系抽取是自然语言处理领域的一个常见任务，它常常和实体识别任务伴生，他们都属于图谱三元组的提取任务。实体识别任务提取出实体，实体关系抽取任务则是负责判断两个实体之间的关系。
例如：
在句子"Albert Einstein was born in Ulm"中，实体识别任务会识别出"Albert Einstein"和"Ulm"两个实体，而实体关系抽取任务则会判断这两个实体之间的关系是“出生地”（place of birth）。
核心逻辑
本文对于实体关系抽取任务的实现基于论文Attention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification，并做出一定的优化。
论文工作阐述
论文中的实体识别模型采用了BERT、BILSTM和注意力机制的结合结构。具体来说，BERT提供了强大的文本表示能力，能够生成丰富的上下文感知词向量。通过预训练的BERT模型，输入的文本可以被转化为高质量的向量表示，捕捉到词语的语义和句法信息。
在BERT生成的词向量基础上，加入了BILSTM层。BILSTM是LSTM（长短期记忆网络）的双向版本，它能够同时考虑前向和后向的上下文信息，进一步增强了对句子结构的理解能力。BILSTM的引入使得模型能够更好地捕捉到句子中每个词语的前后依赖关系，从而提升对复杂语言现象的建模能力。
为了进一步提高模型的性能，还加入了注意力机制。注意力机制通过赋予不同词语不同的权重，帮助模型集中关注对实体识别任务至关重要的词语和特征。这种机制能够动态地调整每个词语的权重，使得模型在处理长文本时，仍然能够高效地捕捉到关键的信息。
本文优化点
实体向量嵌入方式的优化
对于实体关系抽取任务，一般而言，输入包含需要判断的句子和两个实体，常见的嵌入方式是计算两个实体在句子中的位置向量，来标注实体。然而，仅仅根据两个词来进行关系识别，可能导致模型很难深入理解句意，难以理解隐藏在句子中的实体关系。
依存解析器通过Stanford CoreNLP的依存解析算法，对输入句子进行依存关系分析。依存关系解析将句子看作一个图，词语作为节点，词语之间的依存关系则作为节点之间的连接关系。
在解析器的基础上，生成依存矩阵。该矩阵表示句子中词语之间的依存关系。矩阵的每个元素对应于句子中两个词语之间的依存连接强度或类型。
将生成的依存矩阵结合到输入的句子中，使用图神经网络（Graph Neural Networks, GNNs）对句子进行处理。GNNs能够有效地利用依存关系信息，优化实体向量的嵌入方式。通过将句子建模为一个图，GNNs可以在节点（词语）之间传播信息，从而捕捉到更丰富的语义和上下文特征。
这种方法显著优化了实体向量的嵌入方式，使得模型不仅能够关注两个实体本身，还能够充分理解它们在句子中的上下文和依存关系。这种深层次的语义理解，能够大幅提高实体关系抽取任务的准确性和鲁棒性。
下面的代码展示了修改后的嵌入模型：模型先经过BERT编码，然后结合依存矩阵，输入到图神经网络中，得到可用来训练的向量
def forward(self, sentence,label1,label2):# Step 1: BERT Encoding bert_outputs = self.encode_sentence(sentence)print(len(bert_outputs[0]))bert_outputs_label1,bert_outputs_label2 = self.encode_sentence_and_label(sentence,label1,label2)# Step 2: Dependency Parsingdependency_matrix = self.word_parse_dependency(sentence,len(bert_outputs[0]))# Step 3: GAT Encodingbert_outputs = bert_outputs[0] # .numpy()x = self.gat(bert_outputs, adj_matrix_tensor)output_ids = torch.cat((bert_outputs_label1[0], x,bert_outputs_label2[0]), dim=1)return output_ids
实体识别层模型的优化
在论文的基础上，将注意力层优化成为池化注意力机制层，另外根据两个实体在句子的位置，将句子划分为五个部分，分别进行池化操作，让模型学习实体在句子中的相关特征。
例如，池化操作可以采用最大池化或平均池化的方法，聚合注意力权重，从而增强模型对重要特征的识别能力。
预处理代码如下：根据两个实体在句子的位置，将句子划分为五个部分，分别进行池化操作，让模型学习实体在句子中的相关特征
def forward(self, entity1, entity2, left, middle, right):entity1 = self.calc_pool(entity1)entity2 = self.calc_pool(entity2)left = self.calc_pool(left)middle = self.calc_pool(middle)right = self.calc_pool(right)if left is None:T = torch.cat((entity1, middle, entity2, right), dim=1)elif middle is None:T = torch.cat((left, entity1, entity2, right), dim=1)elif right is None:T = torch.cat((left, entity1, middle, entity2), dim=1)else:T = torch.cat((left, entity1, middle, entity2, right), dim=1)T = torch.mean(T, dim=0)T = T.unsqueeze(0)y = self.fc(T)相关学习率调整算法
使用了Adam优化算法，这是目前深度学习中非常流行的一种优化算法。定义了一个学习率调度器。具体来说，它使用了基于指标变化调整学习率的调度器。
通过结合优化器和学习率调度器，能够在训练过程中动态调整学习率，提高模型的训练效率和效果。优化器负责更新模型参数，而调度器根据模型性能自动调整学习率，以便在训练后期进行更精细的优化。
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate, weight_decay=1e-5)
scheduler = ReduceLROnPlateau(optimizer, mode='min', factor=0.1, patience=3, verbose=True)
演示效果
本项目分别在3种关系类别和22种关系类别进行测试，实验结果表明，类别越多模型的性能会有所下降，这可能是受到预训练模型本身的限制
Epoch 5/15, Training Loss: 219.9698, Training Accuracy: 0.9237
total time: 816.9306426048279
Epoch 5/15, Validation Loss: 0.0611, Validation Accuracy: 0.8360
训练之后，代码会自动保存最好的模型，调用模型，可以利用模型来预测一句话的种两个实体之间的关系，下面是一个演示结果：
输入句子
text = "据报道，东方航空股临时停牌传将与上航合并"
entity1= "东方航空"
entity2="上航"
输出类别
合并
使用方式
环境配置
需要前往StandFordCoreNlp的官网下载依存解析器，并将其放在本地目录下
前往huggingface下载BERT预训练模型，放在本地目录下
运行训练
设置好相关训练参数，运行RE.py
执行测试
修改demo.py中的路径和想要判断的文本，运行demo.py
