Skip to content

Latest commit

 

History

History
70 lines (48 loc) · 1.94 KB

README_CN.md

File metadata and controls

70 lines (48 loc) · 1.94 KB
Raw

快速上手

English | 简体中文

环境依赖

  • 首先创建Conda虚拟环境

  • 安装环境依赖

    python==3.8
pip install -r requirements.txt
pip install hydra-core==1.3.1 # ignore the conlict with deepke

克隆代码

git clone https://github.com/zjunlp/DeepKE.git
cd DeepKE/example/ee/standard

数据集

  • ACE 根据这里的文档进行处理。

  • DuEE 根据这里的文档进行处理。

训练

在./conf/train.yaml中修改训练参数。可以通过更改data_name参数来选择不同的数据集，并将model_name_or_path改成对应的模型。

整个事件抽取的训练分为两部分，第一部分是训练触发词分类的模型，第二部分是训练事件角色抽取的模型。

  • Trigger 触发词

    首先是完成每个instance的触发词的抽取，

    将task_name设置为trigger。 然后运行下述命令

    python run.py

    在训练后会完成触发词的预测，结果保存在exp/xx/trigger/xxx/eval_pred.json。

  • 事件元素 (Event Arguments Extraction) 然后是训练一个事件角色抽取的模型，在这里我们用正确的trigger训练事件元素抽取模型。 将task_name设置为role。 然后运行下述命令

    python run.py

预测 (Event Arguments Extraction)

触发词的预测在训练的过程中会完成，预测的结果在output_dir中。在这里我们使用预测得到的触发词来完成pipeline的事件元素抽取。 在./conf/predict.yaml中修改模型参数。将model_name_or_path设置为训练好的事件元素抽取模型的路径，并且设置do_pipeline_predict=True来完成pipeline的事件抽取。 然后运行下述命令

  python predict.py

最后的预测结果会在role模型对应目录的eval_pred.json下。