前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >一文速学-知识图谱从零开始构建实战:知识图谱搭建构架实践-信息抽取

一文速学-知识图谱从零开始构建实战:知识图谱搭建构架实践-信息抽取

原创
作者头像
fanstuck
修改2024-10-29 15:23:54
2630
修改2024-10-29 15:23:54
举报
文章被收录于专栏:大模型快速上手实践

前言

根据系列上篇文章,我们已经了解了知识图谱的基本概念,以及现在知识图谱发展状况,与前沿AI结合方向。现在就差真正实践构建知识图谱这临门一脚,基本上就会对知识图谱这一产品有更加清晰的认识。

那么工欲善其事必先利其器,就像我们对编程语言的掌握程度,更高级的用法和熟练度能更进一步提高我们做出项目产品的质量,在本篇文章将从开发环境部署写到初级知识图谱搭建实践,完成从无到有的知识图谱构建过程。

一、知识图谱构建架构

二、知识图谱实践

1.信息抽取

信息抽取(Information Extraction,简称 IE)是构建知识图谱中最核心的步骤之一,其目标是从非结构化的文本数据中自动提取出有意义的结构化信息,包括实体、关系、和事件等。信息抽取主要分为以下几个步骤:实体抽取关系抽取属性抽取事件抽取,每一步都涉及不同的方法和工具。

关于信息抽取工具我这里使用的是PaddleNLP的UIE模型,Yaojie Lu等人在ACL-2022中提出了通用信息抽取统一框架UIE。该框架实现了实体抽取、关系抽取、事件抽取、情感分析等任务的统一建模,并使得不同任务间具备良好的迁移和泛化能力。

关于信息抽取工具我这里使用的是PaddleNLP的UIE模型,Yaojie Lu等人在ACL-2022中提出了通用信息抽取统一框架UIE。该框架实现了实体抽取、关系抽取、事件抽取、情感分析等任务的统一建模,并使得不同任务间具备良好的迁移和泛化能力。这里大概介绍一下UIE。

UIE

UIE(Universal Information Extraction)是一种基于深度学习的自然语言处理技术,旨在从非结构化文本中自动抽取有价值的信息。它整合了多种信息抽取任务,包括实体识别、关系抽取、事件抽取等,形成一个统一的框架。

UIE 的基本概念
  • 信息抽取:指从文本中提取出结构化的信息,例如命名实体、实体间的关系、事件及其属性等。信息抽取能够将非结构化数据(如文章、报告等)转换为可用于分析和决策的结构化数据。
  • 统一性:UIE 将多种信息抽取任务整合在同一个模型中,能够同时处理多个抽取任务,提高了模型的通用性和适用性。
UIE 的主要任务

UIE 主要包括以下几个子任务:

  1. 实体识别(Entity Recognition):识别文本中的特定实体,如人名、地名、组织、日期等。UIE 模型能够自动标识这些实体并将其分类。
  2. 关系抽取(Relation Extraction):识别实体之间的关系。例如,从句子“马云创立了阿里巴巴”中抽取“马云”和“阿里巴巴”之间的“创立”关系。
  3. 事件抽取(Event Extraction):从文本中抽取事件及其相关信息,通常包括事件的触发词、参与者、时间、地点等。例如,从“2020年,阿里巴巴收购了某公司”中识别出“收购”事件及相关参与者。
  4. 属性抽取(Attribute Extraction):提取实体的特征和属性,例如提取“产品”的品牌、型号、价格等信息。

基于PaddleNLP-UIE模型实现知识图谱信息抽取模块:

代码语言:javascript
复制
! pip install --upgrade paddlenlp
! pip show paddlenlp

1.1 实体抽取(Entity Extraction)

实体抽取,也称为命名实体识别(NER,Named Entity Recognition),是从文本中识别出特定类型的名词短语,通常是有实际意义的词汇,例如人名、地名、组织、日期、产品、技术名词等。实体抽取的目标是将文本中的重要信息点结构化,以便后续分析和存储。

  • 实体类型
    • 人物(Person):如“马云”
    • 地点(Location):如“杭州”
    • 组织(Organization):如“阿里巴巴”
    • 时间(Time):如“2024年8月”
    • 其他(Product, Event, Money等)

例如我们以文本数据为例来操作:

代码语言:javascript
复制
schema = ['时间', '城市'] # Define the schema for entity extraction
ie = Taskflow('information_extraction', schema=schema, model='uie-base')
ie_en = Taskflow('information_extraction', schema=schema, model='uie-base-en')
pprint(ie("凡我市(含县(区)、开发区(新区))国有资金投资的房屋建筑和市政基础设施工程自2017年6月3日起发布招标文件的施工招标项目,应当执行《南昌市人民政府办公厅关于印发南昌市国有资金投资建设工程项目招标实施年度投标保证金制度(试行)的通知》(洪府厅发〔2016〕74号)的规定。")) # Better print results using pprint
代码语言:javascript
复制
[{'城市': [{'end': 71,
          'probability': 0.9465240012183784,
          'start': 68,
          'text': '南昌市'},
         {'end': 85,
          'probability': 0.9736215907851147,
          'start': 82,
          'text': '南昌市'}],
  '时间': [{'end': 48,
          'probability': 0.5193512646392762,
          'start': 39,
          'text': '2017年6月3日'}]}]

1.2 关系抽取(Relation Extraction)

关系抽取(Relation Extraction,简称RE),是指从文本中识别实体并抽取实体之间的语义关系,进而获取三元组信息,即<主体,谓语,客体>。关系抽取旨在识别文本中两个或多个实体之间的关系。比如,识别“阿里巴巴由马云创立”中的“创立”关系,将“马云”与“阿里巴巴”链接起来。

  • 关系类型
    • 例如 “创立”、“所属”、“合作”等。
代码语言:javascript
复制
schema = {'部门':['指导','活动名称']}
ie.set_schema(schema)
txt_file='国务院发展改革部门指导和协调全国招标投标工作,对国家重大建设项目的工程招标投标活动实施监督检查。'
pprint(ie(txt_file))
代码语言:javascript
复制
[{'部门': [{'end': 9,
          'probability': 0.9600018973785609,
          'relations': {'指导': [{'end': 22,
                                'probability': 0.9368320465242093,
                                'start': 14,
                                'text': '全国招标投标工作'}]},
          'start': 0,
          'text': '国务院发展改革部门'}]}]
​

1.3 属性抽取(Attribute Extraction)

属性抽取是识别和抽取出实体的相关属性值。例如,识别公司成立的日期、产品的规格、事件的参与人员等。

代码语言:javascript
复制
schema = {'公司':['创始人','成立时间','地点']}
ie.set_schema(schema)
txt_file='阿里巴巴集团控股有限公司(简称:阿里巴巴集团)是马云带领下的18位创始人于1999年在浙江省杭州市创立的公司。'
pprint(ie(txt_file))
代码语言:javascript
复制
[{'公司': [{'end': 12,
          'probability': 0.8997031190817637,
          'relations': {'创始人': [{'end': 26,
                                 'probability': 0.7737946618519764,
                                 'start': 24,
                                 'text': '马云'}],
                        '地点': [{'end': 49,
                                'probability': 0.3552619337063625,
                                'start': 43,
                                'text': '浙江省杭州市'}],
                        '成立时间': [{'end': 42,
                                  'probability': 0.8343506849196594,
                                  'start': 37,
                                  'text': '1999年'}]},
          'start': 0,
          'text': '阿里巴巴集团控股有限公司'}]}]
​

1.4 事件抽取(Event Extraction)

事件抽取是从文本中识别和抽取出复杂的事件结构。例如,从“2020年,阿里巴巴宣布启动新零售计划”中识别出“阿里巴巴”作为主体,事件是“启动”,时间是“2020年”,对象是“新零售计划”。

代码语言:javascript
复制
schema = {'启动':['时间','对象']}
ie.set_schema(schema)
txt_file='2020年,阿里巴巴宣布启动新零售计划'
pprint(ie(txt_file))
代码语言:javascript
复制
[{'启动': [{'end': 19,
          'probability': 0.975417622363075,
          'relations': {'时间': [{'end': 5,
                                'probability': 0.9598323070613546,
                                'start': 0,
                                'text': '2020年'}]},
          'start': 14,
          'text': '新零售计划'}]}]
​

那么我们了解了抽取方法,接着我们要对我们的数据做一个整体包装:

代码语言:javascript
复制
import paddlehub as hub
import json
from collections import defaultdict
from docx import Document
import jieba.posseg as pseg
from paddlenlp import Taskflow
​
def extract_text_from_docx(docx_path):
    document = Document(docx_path)
    return [paragraph.text.strip() for paragraph in document.paragraphs if paragraph.text.strip()]
​
def split_paragraphs_into_sections(paragraphs):
    sections = defaultdict(list)
    current_section = "其他"
    for paragraph in paragraphs:
        if "招标类型" in paragraph:
            current_section = "招标类型"
        elif "招标组织方式" in paragraph:
            current_section = "招标组织方式"
        elif "项目要求" in paragraph:
            current_section = "项目要求"
        sections[current_section].append(paragraph)
    return sections
​
def generate_schema_from_sections(sections):
    section_schemas = {}
    for section, paragraphs in sections.items():
        entity_candidates = defaultdict(int)
        relation_candidates = defaultdict(int)
        for paragraph in paragraphs:
            words = pseg.cut(paragraph)
            for word, flag in words:
                if flag in ['n', 'nr', 'ns', 'nt', 'nz']: 
                    entity_candidates[word] += 1
                elif flag in ['v']:  
                    relation_candidates[word] += 1
        top_relations = sorted(relation_candidates, key=relation_candidates.get, reverse=True)[:10]
        schema = {}
        for entity in entity_candidates:
            schema[entity] = top_relations
        section_schemas[section] = schema
    return section_schemas
​
def process_text_with_uie_by_sections(sections, ie_model, section_schemas):
​
    extracted_info = {}
    for section, paragraphs in sections.items():
        schema = section_schemas.get(section, {})
        ie_model.set_schema(schema)
        section_info = []
        for paragraph in paragraphs:
            extraction_result = ie_model(paragraph)
            section_info.append(extraction_result)
        extracted_info[section] = section_info
    return extracted_info
​
def save_extracted_info_to_json(extracted_info, output_path):
    with open(output_path, 'w', encoding='utf-8') as f:
        json.dump(extracted_info, f, ensure_ascii=False, indent=4)
​
def main():
    docx_path = 'data/招标采购基本知识.docx'  # Replace with your actual file path
    output_json_path = 'data/extracted_info.json'  # Replace with your output path
​
    paragraphs = extract_text_from_docx(docx_path)
    
    sections = split_paragraphs_into_sections(paragraphs)
    
    section_schemas = generate_schema_from_sections(sections)
    print(f"Generated Schemas: {section_schemas}")
    
    ie_model = Taskflow('information_extraction', model='uie-base')  # Load PaddleHub UIE model
    extracted_info = process_text_with_uie_by_sections(sections, ie_model, section_schemas)
    save_extracted_info_to_json(extracted_info, output_json_path)
​
    print(f"Extracted information and saved to {output_json_path}")
​
if __name__ == "__main__":
    main()
​

得到对应json文件:

小样本提升UIE效果

Taskflow中的UIE基线版本我们是通过大量的有标签样本进行训练,但是UIE抽取的效果面对部分子领域的效果也不是令人满意,UIE可以通过小样本就可以快速提升效果。 为什么UIE可以通过小样本来提升效果呢?UIE的建模方式主要是通过 Prompt 方式来建模, Prompt 在小样本上进行微调效果非常有效,下面我们通过一个具体的case 来展示UIE微调的效果。

我们首先得安装:

代码语言:javascript
复制
pip3 install setuptools_scm -i https://pypi.tuna.tsinghua.edu.cn/simple

因为这个插件不单独安装可能会报错,之后在进行安装doccano:

代码语言:javascript
复制
pip3 install doccano -i https://pypi.tuna.tsinghua.edu.cn/simple

初始化数据库和账户(用户名和密码可替换为自定义值)

代码语言:javascript
复制
$ doccano init
​
$ doccano createuser --username fanstuck --password xwt353008

启动doccano

  • 在一个窗口启动doccano的WebServer,保持窗口
代码语言:javascript
复制
$ doccano webserver --port 8000
  • 在另一个窗口启动doccano的任务队列
代码语言:javascript
复制
$ doccano task

Step 4. 运行doccano来标注实体和关系

打开浏览器(推荐Chrome),在地址栏中输入http://127.0.0.1:8000/后回车即得以下界面。

登陆账户。点击右上角的LOGIN,输入Step 2中设置的用户名和密码登陆。

创建项目。点击左上角的CREATE,跳转至以下界面。

  • 勾选序列标注(Sequence Labeling
  • 填写项目名称(Project name)等必要信息
  • 勾选允许实体重叠(Allow overlapping entity)、使用关系标注(Use relation labeling
  • 创建完成后,项目首页视频提供了从数据导入到导出的七个步骤的详细说明

设置标签。在Labels一栏点击ActionsCreate Label手动设置或者Import Labels从文件导入。

  • 最上边Span表示实体标签,Relation表示关系标签,需要分别设置。

导入数据。在Datasets一栏点击ActionsImport Dataset从文件导入文本数据。

  • 根据文件格式(File format)给出的示例,选择适合的格式导入自定义数据文件。
  • 导入成功后即跳转至数据列表。

  • 标注数据。点击每条数据最右边的Annotate按钮开始标记。标记页面右侧的标签类型(Label Types)开关可在实体标签和关系标签之间切换。
    • 实体标注:直接用鼠标选取文本即可标注实体。
    • 关系标注:首先点击待标注的关系标签,接着依次点击相应的头尾实体可完成关系标注。

导出数据。在Datasets一栏点击ActionsExport Dataset导出已标注的数据。

将标注数据转化成UIE训练所需数据。

运行以下代码将标注数据转换为UIE训练所需要的数据

代码语言:javascript
复制
! python preprocess.py --input_file ./data/test.jsonl --save_dir ./data/ --negative_ratio 5 --splits 0.2 0.8 0.0 --seed 1000
训练UIE模型
  • 使用标注数据进行小样本训练,模型参数保存在./checkpoint/目录。

tips: 推荐使用GPU环境,否则可能会内存溢出。CPU环境下,可以修改model为uie-tiny,适当调下batch_size。

代码语言:javascript
复制
! python finetune.py --train_path ./data/train.txt --dev_path ./data/dev.txt --save_dir ./checkpoint --model uie-base --learning_rate 1e-5 --batch_size 16 --max_seq_len 512 --num_epochs 50 --seed 1000 --logging_steps 10 --valid_steps 10

现在基本就完成了一轮小部分case训练了,下一章我们再进行知识图谱落库展示。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 前言
  • 一、知识图谱构建架构
  • 二、知识图谱实践
    • 1.信息抽取
      • UIE
      • 1.1 实体抽取(Entity Extraction)
      • 1.2 关系抽取(Relation Extraction)
      • 1.3 属性抽取(Attribute Extraction)
      • 1.4 事件抽取(Event Extraction)
    • 小样本提升UIE效果
    相关产品与服务
    NLP 服务
    NLP 服务(Natural Language Process,NLP)深度整合了腾讯内部的 NLP 技术,提供多项智能文本处理和文本生成能力,包括词法分析、相似词召回、词相似度、句子相似度、文本润色、句子纠错、文本补全、句子生成等。满足各行业的文本智能需求。
    领券
    问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档