[2021/12/20 更新] 作者重新实现

感谢大家对这个项目的关注,很抱歉丢失了原始的预处理数据。 它在我之前的实验室里弄丢了,我终于有时间重新实现了😂。 我也想感谢 @LuoXukun 关于复现的精彩回复。

NYT	精确率	召回率	F1值
GraphRel<sub>1p</sub> (论文)	62.9	57.3	60.0
GraphRel<sub>1p</sub> (重新实现)	60.9	59.2	60.1
GraphRel<sub>2p</sub> (论文)	63.9	60.0	61.9
GraphRel<sub>2p</sub> (重新实现)	63.1	60.2	61.6

[ACL'19 (长文)] GraphRel: 将文本建模为关系图以进行联合实体和关系抽取

GraphRel的PyTorch实现

论文 | 幻灯片 | 海报

概述

GraphRel是对以下论文的实现 "GraphRel: 将文本建模为关系图以进行联合实体和关系抽取" 傅祖瑞、李鹏轩和马偉雲 发表于2019年计算语言学协会年会(ACL)(长文)

在第一阶段,我们采用双向RNN和GCN来提取序列和区域依赖的词特征。给定词特征,我们预测每对词之间的关系以及所有词的实体。然后,在第二阶段,基于第一阶段预测的关系,我们为每个关系构建完整的关系图,对每个图应用GCN以整合每个关系的信息,并进一步考虑实体和关系之间的交互。

要求

此代码在Python3.8和PyTorch 1.7下实现。

tqdm, spaCy

使用方法

python -m spacy download en_core_web_lg
python main.py --arch=2p

我们还提供了训练好的检查点。

引用

@inproceedings{fu2019graph-rel, 
  author = {Tsu-Jui Fu and Peng-Hsuan Li and Wei-Yun Ma}, 
  title = {{GraphRel: 将文本建模为关系图以进行联合实体和关系抽取}}, 
  booktitle = {计算语言学协会年会 (ACL)}, 
  year = {2019} 
}