CGRE CNDBPedia Generative Relation Extraction

🚀 CGRE - 基於生成的關係抽取模型

CGRE 是一個基於生成的關係抽取模型，它是當前最先進的中文端到端關係抽取模型，能有效解決中文關係抽取任務中的難題，為相關領域的研究和應用提供了強大的支持。

✨ 主要特性

• 先進架構：以 BART 為骨幹網絡，是當前最先進的中文端到端關係抽取模型。
• 數據驅動：使用來自 CN-DBpedia 的遠程監督數據，並在 fnlp/bart-base-chinese 的預訓練檢查點上進行預訓練。
• 性能卓越：在多箇中文關係抽取數據集上表現出色，如 DuIE~1.0、DuIE~2.0、HacRED 等。
• 使用便捷：像普通的生成任務一樣易於使用。
• 輸入輸出明確：輸入為句子，輸出為線性化的三元組。例如，輸入“姚明是一名 NBA 籃球運動員”，輸出“[subj]姚明[obj]NBA[rel]公司[obj]籃球運動員[rel]職業”。

💻 使用示例

基礎用法

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)