-
我们的工作已被EMNLP2023 Findings会议接受。
要运行代码，您需要安装以下要求:
conda create -n adakgc python=3.8
pip install torch==1.8.0+cu111 -f https://download.pytorch.org/whl/torch_stable.html
pip install -r requirements.txt
我们的模型tokenizer部分采用了UIE, 其他部分采用t5, 因此是个混合文件, 这里提供了下载链接, 请确保使用这个模型。 hf_models/mix
数据集构造的详细信息请参见Data Construction.
您可以通过以下Google Drive链接找到数据集。
mkdir hf_models
cd hf_models
git lfs install
git clone https://huggingface.co/google/t5-v1_1-base
cd ..
mkdir output # */AdaKGC/output# Current path: */AdaKGC
mode=H
data_name=Few-NERD
task=entity
device=0
ratio=0.8
bash scripts/fine_prompt.bash --model=hf_models/mix --data=data/${data_name}_${mode}/iter_1 --output=output/${data_name}_${mode}_${ratio} --config=config/prompt_conf/Few-NERD.ini --device=${device} --negative_ratio=${ratio} --record2=data/${data_name}_${mode}/iter_7/record.schema --use_prompt=True --init_prompt=True
model: 预训练的模型的名称或路径。
data: 数据集的路径。
output: 保存的微调检查点的路径，最终自动生成的输出路径`AdaKGC/output/ace05_event_H_e30_lr1e-4_b14_n0。
config: 默认配置文件, 在config/prompt_conf目录下, 每个任务的配置不同。
mode: 数据集模式（H、V、M或R）。
device: CUDA_VISIBLE_DEVICES。
batch: batch size。
（有关详细的命令行参数，请参阅bash脚本和Python文件）
mode=H
data_name=NYT
task=relation
device=0
ratio=0.8
bash scripts/fine_prompt.bash --model=hf_models/mix --data=data/${data_name}_${mode}/iter_1 --output=output/${data_name}_${mode}_${ratio} --config=config/prompt_conf/NYT.ini --device=${device} --negative_ratio=${ratio} --record2=data/${data_name}_${mode}/iter_7/record.schema --use_prompt=True --init_prompt=Truemode=H
data_name=ace05_event
task=event
device=0
ratio=0.8
bash scripts/fine_prompt.bash --model=hf_models/mix --data=data/${data_name}_${mode}/iter_1 --output=output/${data_name}_${mode}_${ratio} --config=config/prompt_conf/ace05_event.ini --device=${device} --negative_ratio=${ratio} --record2=data/${data_name}_${mode}/iter_7/record.schema --use_prompt=True --init_prompt=True- 仅对单个数据集进行推理（例如
data/ace05_event_H/iter_1）
mode=H
data_name=ace05_event
task=event
device=0
ratio=0.8
python3 inference.py --dataname=data/${data_name}/${data_name}_${mode}/iter_2 --t5_path=hf_models/mix --model=output/${data_name}_${mode}_${ratio} --task=${task} --cuda=${device} --mode=${mode} --use_prompt --use_ssi --prompt_len=80 --prompt_dim=512datasetname: 要预测的数据集的路径(ace05_event、NYT or Few-NERD)。
model: 前面训练后得到的模型的路径(训练阶段的output)。
t5_path: 基座模型T5(训练阶段的model)。
task: 任务类型(entity、relation、event)。
cuda: CUDA_VISIBLE_DEVICES。
mode: 数据集模式（H、V、M或R）。
use_ssi、use_prompt、prompt_len、prompt_dim需要跟训练时保持一致, 可以在对应的配置文件config/prompt_conf/ace05_event.ini中查看并设置。
- 在所有迭代数据集上的自动推理（即
data/iter_1/ace05_event_H~data/iter _7/ace05_event_H）
mode=H
data_name=ace05_event
task=event
device=0
ratio=0.8
python3 inference_mul.py --dataname=data/${data_name}/${data_name}_${mode} --t5_path=hf_models/mix --model=output/${data_name}_${mode}_${ratio} --task=${task} --cuda=${device} --mode=${mode} --use_prompt --use_ssi --prompt_len=80 --prompt_dim=512use_ssi、use_prompt、prompt_len、prompt_dim需要跟训练时保持一致。
完整的过程，包括微调和推理（在"scripts/run.bash"中）：
mode=H
data_name=ace05_event
task=event
device=0
ratio=0.8
bash scripts/run_prompt.bash --model=hf_models/mix --data=data/${data_name}_${mode}/iter_1 --output=output/${data_name}_${mode}_${ratio} --config=config/prompt_conf/ace05_event.ini --device=${device} --negative_ratio=${ratio} --record2=data/${data_name}_${mode}/iter_7/record.schema --use_prompt=True --init_prompt=True
python3 inference_mul.py --dataname=data/${data_name}/${data_name}_${mode} --t5_path=hf_models/mix --model=output/${data_name}_${mode}_${ratio} --task=${task} --cuda=${device} --mode=${mode} --use_prompt --use_ssi --prompt_len=80 --prompt_dim=512| 指标 | 定义 | F1 |
|---|---|---|
| ent-(P/R/F1) | 实体的Micro-F1分数(Entity Type, Entity Span) | spot-F1 |
| rel-strict-(P/R/F1) | 关系严格模式的Micro-F1分数(Relation Type, Arg1 Span, Arg1 Type, Arg2 Span, Arg2 Type) | asoc-F1 用于关系，spot-F1 用于实体 |
| evt-trigger-(P/R/F1) | 事件触发词的Micro-F1分数(Event Type, Trigger Span) | spot-F1 |
| evt-role-(P/R/F1) | 事件角色的Micro-F1分数 (Event Type, Arg Role, Arg Span) | asoc-F1 |
overall-F1指的是 spot-F1 和 asoc-F1 的总和，可能超100。
Part of our code is borrowed from UIE and UnifiedSKG, many thanks.
If you use or extend our work, please cite the paper as follows:
@article{DBLP:journals/corr/abs-2305-08703,
author = {Hongbin Ye and
Honghao Gui and
Xin Xu and
Huajun Chen and
Ningyu Zhang},
title = {Schema-adaptable Knowledge Graph Construction},
journal = {CoRR},
volume = {abs/2305.08703},
year = {2023},
url = {https://doi.org/10.48550/arXiv.2305.08703},
doi = {10.48550/arXiv.2305.08703},
eprinttype = {arXiv},
eprint = {2305.08703},
timestamp = {Wed, 17 May 2023 15:47:36 +0200},
biburl = {https://dblp.org/rec/journals/corr/abs-2305-08703.bib},
bibsource = {dblp computer science bibliography, https://dblp.org}
}
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent