- 标注平台（前端网页），对应目录
spo_tagging_platform； - 标注内容： S,P,O, is_tagging, 原文以及SPO的关系。
- 模型：
- S,P,O: 序列标注算法（ALBERT+BiLSTM+CRF），对应目录
sequence_labeling，在测试集上的F1大约为81%； - 关系抽取: 文本二分类(ALBERT+BiGRU+ATT)，对应目录
text_classification，在测试集上的准确率大约为96%。
标注语料来源于新闻内容和小说内容。
- 该项目在提取小说、新闻以及其他无结构文本方面的应用，对应目录为
extract_example。
现阶段的序列标注算法的样本为3211个，关系抽取的标注数据为9279，共有关系1365个，数量最多的前20个关系如下图：
- 该平台采用Python3开发，需要安装的模块参考requirements.txt
序列标注算法和文本二分类已经训练好，可以直接clone下来使用。
-
运行
sequence_labeling/run.py，该HTTP服务运行端口为12306； -
运行
text_classification/extract_server.py，该HTTP服务运行端口为12308；
在Postman中输入如下（输入为一个句子，句子不宜过长，建议句子长度不超过128个字）：
该平台标注的时候，标注内容大部分为人物头衔，人物关系，公司与人的关系，影视剧主演、导演信息等。
当句子有只有一对三元组的时候，效果相对较好。
extract_example目录中为抽取的效果，包括几本小说和一些新闻上的效果，关于这方面的演示，可以参考另一个项目：https://github.com/percent4/knowledge_graph_demo 。
一些句子也存在抽取出无用的三元组的情况，导致召回率偏高，这是因为本项目针对的是开放领域的三元组抽取，因此效果比不会有想象中的那么好，提升抽取效果的办法如下：
- 增加数据标注量，目前序列标注算法的样本仅3211多个；
- 模型方面：现在是pipeline形式，各自的效果还行，但总体上不如Joint形式好；
- 对于自己想抽的其他三元组的情形，建议增加这方面的标注；
- 文本预测耗时长（该问题已经解决）。
本项目作为笔者在开放领域的三元组抽取的一次尝试，在此之前关于这方面的文章或者项目还很少，因此可以说是探索阶段。
源码和数据已经在项目中给出。
如需要更深一步的交流，请发送消息至邮箱1137061634@qq.com，或者在Github上直接留言。
本人的微信公众号为Python爬虫与算法，欢迎关注~