CGRE CNDBPedia Generative Relation Extraction

🚀 CGRE（生成ベースの関係抽出モデル）

CGREは生成ベースの関係抽出モデルです。このモデルは、中国語のエンドツーエンドの関係抽出においてSOTA（State-of-the-Art）の性能を発揮し、バックボーンとしてBARTを使用しています。

✨ 主な機能

• SOTAの性能：中国語の多くの関係抽出データセット（DuIE~1.0、DuIE~2.0、HacREDなど）でSOTAの性能を達成します。
• 事前学習済みモデル：cndbpediaからの遠隔教師付きデータを使用し、fnlp/bart-base-chineseのチェックポイントから事前学習されています。
• 使いやすさ：通常の生成タスクと同じように簡単に使用できます。入力は文で、出力は線形化されたトリプルです。例えば、入力が「姚明是一名NBA篮球运动员」の場合、出力は「[subj]姚明[obj]NBA[rel]公司[obj]篮球运动员[rel]职业」となります。

📦 インストール

このREADMEには具体的なインストール手順が記載されていないため、このセクションをスキップします。

💻 使用例

基本的な使用法

# 使用示例代码保持不变
from transformers import BertTokenizer, BartForConditionalGeneration

model_name = 'fnlp/bart-base-chinese'

tokenizer_kwargs = {
    "use_fast": True,
    "additional_special_tokens": ['<rel>', '<obj>', '<subj>'],
} # if cannot see tokens in model card please open readme file

tokenizer = BertTokenizer.from_pretrained(model_name, **tokenizer_kwargs)

model = BartForConditionalGeneration.from_pretrained('./CGRE_CNDBPedia-Generative-Relation-Extraction')

inputs = tokenizer(sent, max_length=max_source_length, padding="max_length", truncation=True, return_tensors="pt")

params = {"decoder_start_token_id":0,"early_stopping":False,"no_repeat_ngram_size":0,"length_penalty": 0,"num_beams":20,"use_cache":True}

out_id = model.generate(inputs["input_ids"], attention_mask = inputs["attention_mask"], max_length=max_target_length, **params)

📚 ドキュメント

このREADMEには詳細なドキュメントが記載されていないため、このセクションをスキップします。

🔧 技術詳細

このREADMEには具体的な技術詳細が記載されていないため、このセクションをスキップします。

📄 ライセンス

このREADMEにはライセンス情報が記載されていないため、このセクションをスキップします。