知识图谱-LSTM+CRF知识抽取实战

---

一、引言

本文的idea主要来源于LSTM+CRF的命名实体识别，在命名实体识别中，可以通过BIO或者BIOSE等标注进行人名、地名、机构名或者其他专有名词的识别，那么把三元组的主语、谓语、宾语（也可理解为：实体-关系-实体）三个部分当成三个需要识别的专有名词，也就可以实现三元组的抽取了，基于此想法，具体实践看看效果。

二、实践简介

1、数据来源

本文主要基于历史文章中的人物关系抽取，数据来源于http://www.lishixinzhi.com和http://www.uuqgs.com/

2、预测类别（7个）

主语开头：B-SUBJECT
主语非开头：I-SUBJECT
谓语开头：B-PREDICATE
谓语非开头：I-PREDICATE
宾语开头：B-OBJECT
宾语非开头：I-OBJECT
其他：O

3、框架

keras

4、模型结构

本次抽取本质上还是基于LSTM的一个分类问题，至于CRF层，完全是为了保证序列的输出严格性，因为CRF对于预测序列有较强的的限制性，比如B-PRESON后面只能为I-PERSON或者O之类的限制。

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
embedding_1 (Embedding)      (None, 91, 100)           60000     
_________________________________________________________________
bidirectional_1 (Bidirection (None, 91, 100)           60400     
_________________________________________________________________
time_distributed_1 (TimeDist (None, 91, 7)             707       
_________________________________________________________________
crf_1 (CRF)                  (None, 91, 7)             119       
=================================================================
Total params: 121,226
Trainable params: 61,226
Non-trainable params: 60,000

5、项目流程

    # 获取词典映射
    word2id, tag2id, id2word, id2tag = getWordAndTagId('train.txt')
    # 获取句子和标注
    sentences, tags=getSentencesAndTags('train.txt')
    # 将句子和标注转换为id
    sentencesIds, tagsIds = sentencesAndTags2id(sentences, tags,word2id, tag2id)
    # 将句子和标注进行填充，确保输入维度一致
    sentencesIds = pad_sequences(sentencesIds, padding='post')
    tagsIds = pad_sequences(tagsIds, padding='post')
    print(sentencesIds.shape)
    print(tagsIds.shape)
    # 载入模型
    model=model(len(word2id),100,sentencesIds.shape[1],len(tag2id))
   # 训练
    history = model.fit(sentencesIds, tagsIds.reshape([len(tagsIds),-1,1]), epochs=500)

三、数据标注

关于训练数据，未找到合适的标注数据，只能自己标注了，如下：

长 B-SUBJECT
孙 I-SUBJECT
无 I-SUBJECT
忌 I-SUBJECT
看 O
到 O
外 B-PREDICATE
甥 I-PREDICATE
承 B-OBJECT
乾 I-OBJECT
、 O
李 B-OBJECT
泰 I-OBJECT
都 O
完 O
了 O
。 O

唐 B-SUBJECT
玄 I-SUBJECT
宗 I-SUBJECT
有 O
两 O
个 O
同 O
母 O
妹 B-PREDICATE
妹 I-PREDICATE
： O
金 B-OBJECT
仙 I-OBJECT
公 I-OBJECT
主 I-OBJECT
和 O
玉 B-OBJECT
真 I-OBJECT
公 I-OBJECT
主 I-OBJECT
。 O

...此处省略n多

李 B-SUBJECT
文 I-SUBJECT
有 O
两 O
个 O
妹 B-PREDICATE
妹 I-PREDICATE
， O
一 O
个 O
叫 O
宇 B-OBJECT
宇 I-OBJECT
， O
一 O
个 O
叫 O
佳 B-OBJECT
佳 I-OBJECT
。 O

四、实战

1、数据预处理

1.1 词典映射

主要是低频词过滤字与id的映射（word2id）、预测类别与id的映射（lable2id），具体实现方式各有不同，不做重点讲解，但要特别注意未登录词的处理：

 word_size = len(words)
 word2id = {count[0]: index for index, count in enumerate(words,start=1)}  
 id2word = {index: count[0] for index, count in enumerate(words,start=1)}
 tag2id = {count[0]: index for index, count in enumerate(tags)}
 id2tag = {index: count[0] for index, count in enumerate(tags)}
 #  填充词
 word2id[''] = 0
#  未登录词
 word2id[''] = word_size + 1

1.2 从训练文件中获取句子和标签

def getSentencesAndTags(filePath):
    '''
    从文件里面获取句子和标注
    :param filePath:
    :return:
    '''
    with open(filePath,encoding='utf-8') as file:
        wordsAndtags=[line.split() for line in file]
        sentences=[]
        tags=[]
        sentence=[]
        tag=[]
        for wordAndTag in wordsAndtags:
            if len(wordAndTag)==2:
                sentence.append(wordAndTag[0])
                tag.append(wordAndTag[1])
            else:
                sentences.append(sentence)
                tags.append(tag)
                sentence=[]
                tag = []
    return sentences,tags

1.3 输入文本转id

将输入的文本，通过词典，转换成数字序列：

def sentencesAndTags2id(sentences,tags,word2id, tag2id):
    '''
    将句子和标注转换为id
    :param sentences:
    :param tags:
    :param word2id:
    :param tag2id:
    :return:
    '''
    sentencesIds = [[word2id.get(char,len(word2id)) for char in sentence] for sentence in sentences]
    tagsIds = [[tag2id[char] for char in tag] for tag in tags]
    return sentencesIds,tagsIds

1.4 数据填充

为了保证数据的维度一致，进行句子填充

from keras_preprocessing.sequence import pad_sequences
sentencesIds = pad_sequences(sentencesIds, padding='post')
tagsIds = pad_sequences(tagsIds, padding='post')

2、模型构建

def model(vocabSize,embeddingDim,inputLength,tagSize):
    model = Sequential()
    model.add(Embedding(vocabSize + 1,embeddingDim,input_length=inputLength,trainable=False,mask_zero=True))
    model.add(Bidirectional(LSTM(50, return_sequences=True)))
    model.add(TimeDistributed(Dense(tagSize)))
    crf_layer = CRF(tagSize, sparse_target=True)
    model.add(crf_layer)
    model.compile('adam', loss=crf_layer.loss_function, metrics=[crf_layer.accuracy])
    model.summary()
    return model

3、测试

通过简单的测试结果如下：

比较简单的句子上都能取得比较好的成果，但是由于训练数据不够，还是会出现无法抽取到结果或者抽取错误的情况，比如：

4、总结

本文主要针对历史故事的人物关系进行抽取，从数据获取，到数据标注，到模型训练。由于时间和人力关系，很多方面都采取了简单模式，比如数据标注，数据量远远没有达到一个量级，比如测试环节，主要还是通过人为观察抽取结果来验证是否准确，无法达到工业级别。但对于三元组的抽取，可以作为一种参考和借鉴。