结构化信息抽取，知识构建。
源于第四届智能和语言大赛。
最终结果是第18名。
工作中的状态，只能利用业余时间，整个比赛就提交了3次结果，真希望下次有时间，好好搞一搞。
这是我第一次提交的baseline的方法。当时第一次提交是f1=82%, 第三次结果是86%

分为两个过程：1对schema进行分类，2针对schema进行信息抽取.

1.schema进行分类。
使用了bert+ful_con+sigmoid （实际中我的实验还使用了另一种方法，下次再补充,）
2.针对schema进行信息抽取.
我把这个信息抽取的过程当成了阅读理解的多答案问题。
把schema的类型当成了问题（question），需要抽取的文章或句子当成了内容（paragraph），抽取的信息当成了答案(answer).
使用了bert+crf(相当于命名实体识别的方式进行抽取)

针对训练的结果进行打包成graph_pb。
使用tornado框架提供抽取服务。

信息抽取(Information Extraction, IE)是从自然语言文本中抽取实体、属性、关系及事件等事实类信息的文本处理技术，是信息检索、智能问答、智能对话等人工智 能应用的重要基础，一直受到业界的广泛关注。信息抽取任务涉及命名实体识别、指代消解、关系分类等复杂技术，极具挑战性。 本次竞赛发布基于schema约束的SPO信息抽取任务，即在给定schema集合下，从自然语言文本中抽取出符合schema要求的SPO三元组知识

Python==3.5
TensorFlow==1.4.0
pip install tornado
pip install tqdm

下载bert的中文模型放在data/chinese_L-12_H-768_A-12 链接
解压语料 tar -xzvf corpus.tar.gz

python classifier.py --type corpus

python classifier.py --type train

python classifier.py --type freeze

python extractor.py --type corpus

python extractor.py --type train

python extractor.py --type freeze

bash script/start.sh

bash script/stop.sh

python test/client.py