Skip to main content

Chinese Information Extraction

Project description

CNN4IE

中文信息抽取工具。使用CNN的不同变体进行信息抽取,以后会持续加入不同模型。该项目使用pytorch,python开发。

CNN4IE将各种改进版本的conv进行改动用于中文信息抽取。

Guide

Intro

目前主要实现中文实体抽取:

训练样本以B、I、O形式进行标注。

Model

模型

模型里面的conv块部分主要来自后面的paper中的部分模块。

Usage

  • 相关参数的配置config见每个模型文件夹中的config.cfg文件,训练和预测时会加载此文件。

  • 训练及预测(支持加载预训练的embedding向量)

    1.MultiLayerResCNN(cnn4ie/mlrescnn)

    (1).训练

    from cnn4ie.mlrescnn.train import Train
    train = Train()
    train.train_model('config.cfg')
    
    Epoch: 199 | Time: 0m 4s
      Train Loss: 228.545 | Train PPL: 1.802960293422957e+99
       Val. Loss: 433.577 |  Val. PPL: 1.9966207577208172e+188
       Val. report:               precision    recall  f1-score   support
    
             1       1.00      1.00      1.00      4539
             2       0.98      0.99      0.99      4926
             3       0.90      0.83      0.86       166
             4       0.74      0.98      0.84        52
             5       0.94      0.77      0.84       120
             6       0.76      0.97      0.85        39
             7       0.82      0.87      0.85        54
             8       0.93      0.74      0.82        68
             9       0.95      0.77      0.85        26
            10       1.00      0.80      0.89        10
    
      accuracy                           0.98     10000
      macro avg       0.90      0.87      0.88     10000
      weighted avg       0.99      0.98      0.98     10000
    

    (2).预测

    from cnn4ie.mlrescnn.predict import Predict
    
    predict = Predict()
    predict.load_model_vocab('config_cfg')
    result = predict.predict('据新华社报道,安徽省六安市被评上十大易居城市!')
    
    print(result)
    
    [{'start': 7, 'stop': 13, 'word': '安徽省六安市', 'type': 'LOC'}, {'start': 1, 'stop': 4, 'word': '新华社', 'type': 'ORG'}]
    
    2.MultiLayerResDSCNN(cnn4ie/dscnn)

    (1).训练

    from cnn4ie.dscnn.train import Train
    train = Train()
    train.train_model('config.cfg')
    
    Epoch: 192 | Time: 0m 3s
      Train Loss: 191.273 | Train PPL: 1.172960293422957e+99
       Val. Loss: 533.260 |  Val. PPL: 5.2866207577208172e+188
       Val. report:               precision    recall  f1-score   support
    
             1       0.99      1.00      1.00      4539
             2       0.98      0.98      0.98      4926
             3       0.92      0.82      0.87       166
             4       0.82      0.88      0.85        52
             5       0.84      0.76      0.80       120
             6       0.90      0.95      0.92        39
             7       0.90      0.85      0.88        54
             8       0.84      0.71      0.77        68
             9       0.85      0.65      0.74        26
            10       1.00      0.70      0.82        10
    
      accuracy                           0.98     10000
      macro avg       0.91      0.83      0.86     10000
      weighted avg       0.98      0.98      0.98     10000
    

    (2).预测

    from cnn4ie.dscnn.predict import Predict
    
    predict = Predict()
    predict.load_model_vocab('config.cfg')
    result = predict.predict('本报北京2月28日讯记者苏宁报道:八届全国人大常委会第三十次会议今天下午在京闭幕。')
    
    print(result)
    
    [{'start': 2, 'stop': 4, 'word': '北京', 'type': 'LOC'}, {'start': 12, 'stop': 14, 'word': '苏宁', 'type': 'LOC'}, {'start': 32, 'stop': 36, 'word': '今天下午', 'type': 'T'}]
    
    3.MultiLayerAugmentedCNN(cnn4ie/attention_augmented_cnn)

    (1).训练

    from cnn4ie.attention_augmented_cnn.train import Train
    train = Train()
    train.train_model('config.cfg')
    
    Epoch: 192 | Time: 0m 3s
          Train Loss: 185.204 | Train PPL: 2.711303579086953e+80
           Val. Loss: 561.592 |  Val. PPL: 7.877783034926193e+243
           Val. report:               precision    recall  f1-score   support
    
             1       0.99      1.00      1.00      4539
             2       0.98      0.99      0.98      4926
             3       0.96      0.77      0.85       166
             4       0.81      0.85      0.83        52
             5       0.88      0.71      0.78       120
             6       0.90      0.90      0.90        39
             7       0.90      0.85      0.88        54
             8       0.85      0.69      0.76        68
             9       1.00      0.42      0.59        26
            10       1.00      0.50      0.67        10
    
      accuracy                           0.98     10000
      macro avg       0.93      0.77      0.82     10000
      weighted avg       0.98      0.98      0.98     10000
    

    (2).预测

    from cnn4ie.attention_augmented_cnn.predict import Predict
    
    predict = Predict()
    predict.load_model_vocab('config.cfg')
    result = predict.predict('本报北京2月28日讯记者苏宁报道:八届全国人大常委会第三十次会议今天下午在京闭幕。')
    
    print(result)
    
    [{'start': 2, 'stop': 4, 'word': '北京', 'type': 'LOC'}, {'start': 12, 'stop': 14, 'word': '苏宁', 'type': 'LOC'}, {'start': 32, 'stop': 36, 'word': '今天下午', 'type': 'T'}]
    
    4.MultiLayerLambdaCNN(cnn4ie/lambda_cnn)

    (1).训练

    from cnn4ie.lambda_cnn.train import Train
    train = Train()
    train.train_model('config.cfg')
    
    Epoch: 197 | Time: 0m 2s
          Train Loss: 198.344 | Train PPL: 1.3800537707438322e+86
           Val. Loss: 668.780 |  Val. PPL: 2.8022239331403918e+290
           Val. report:               precision    recall  f1-score   support
    
             1       0.99      1.00      1.00      4539
             2       0.98      0.98      0.98      4926
             3       0.80      0.78      0.79       166
             4       0.89      0.90      0.90        52
             5       0.86      0.77      0.81       120
             6       0.90      0.92      0.91        39
             7       0.81      0.87      0.84        54
             8       0.88      0.75      0.81        68
             9       0.93      0.54      0.68        26
            10       1.00      0.70      0.82        10
    
      accuracy                           0.98     10000
      macro avg       0.90      0.82      0.85     10000
      weighted avg       0.98      0.98      0.98     10000
    

    (2).预测

    from cnn4ie.lambda_cnn.predict import Predict
    
    predict = Predict()
    predict.load_model_vocab('config.cfg')
    result = predict.predict('本报北京2月28日讯记者苏宁报道:八届全国人大常委会第三十次会议今天下午在京闭幕。')
    
    print(result)
    
    [{'start': 2, 'stop': 4, 'word': '北京', 'type': 'LOC'}, {'start': 12, 'stop': 14, 'word': '苏宁', 'type': 'LOC'}, {'start': 32, 'stop': 36, 'word': '今天下午', 'type': 'T'}]
    
    5.MultiLayerResLWCNN(cnn4ie/lcnn)

    (1).训练

    from cnn4ie.lcnn.train import Train
    train = Train()
    train.train_model('config.cfg')
    
    Epoch: 190 | Time: 0m 4s
          Train Loss: 195.472 | Train PPL: 7.807223255192846e+84
           Val. Loss: 453.642 |  Val. PPL: 1.0328983269312897e+197
           Val. report:               precision    recall  f1-score   support
    
             1       0.99      1.00      1.00      5925
             2       0.99      0.98      0.98      5501
             3       0.90      0.85      0.87       174
             4       0.72      0.93      0.81        57
             5       0.92      0.81      0.86       122
             6       0.82      0.91      0.86        44
             7       0.84      0.85      0.85        62
             8       0.92      0.77      0.84        71
             9       0.66      0.81      0.72        31
            10       0.91      0.77      0.83        13
    
     accuracy                           0.98     12000
     macro avg       0.86      0.87      0.86     12000
     weighted avg       0.98      0.98      0.98     12000
    

    (2).预测

    from cnn4ie.lcnn.predict import Predict
    
    predict = Predict()
    predict.load_model_vocab('config.cfg')
    result = predict.predict('本报北京2月28日讯记者苏宁报道:八届全国人大常委会第三十次会议今天下午在京闭幕。')
    
    print(result)
    
    [{'start': 2, 'stop': 4, 'word': '北京', 'type': 'LOC'}, {'start': 12, 'stop': 14, 'word': '苏宁', 'type': 'LOC'}, {'start': 32, 'stop': 36, 'word': '今天下午', 'type': 'T'}]
    
    6.MultiLayerResDYCNN(cnn4ie/dcnn)

    (1).训练

    from cnn4ie.dcnn.train import Train
    train = Train()
    train.train_model('config.cfg')
    
    Epoch: 192 | Time: 0m 4s
          Train Loss: 182.916 | Train PPL: 2.7491663642617552e+79
           Val. Loss: 463.782 |  Val. PPL: 2.618555606950152e+201
           Val. report:               precision    recall  f1-score   support
    
             1       1.00      1.00      1.00      5925
             2       0.99      0.98      0.98      5501
             3       0.86      0.86      0.86       174
             4       0.80      0.93      0.86        57
             5       0.84      0.79      0.81       122
             6       0.83      0.89      0.86        44
             7       0.83      0.87      0.85        62
             8       0.88      0.75      0.81        71
             9       0.92      0.71      0.80        31
            10       1.00      0.85      0.92        13
    
     accuracy                           0.98     12000
     macro avg       0.89      0.86      0.88     12000
     weighted avg       0.98      0.98      0.98     12000
    

    (2).预测

    from cnn4ie.dcnn.predict import Predict
    
    predict = Predict()
    predict.load_model_vocab('config.cfg')
    result = predict.predict('本报北京2月28日讯记者苏宁报道:八届全国人大常委会第三十次会议今天下午在京闭幕。')
    
    print(result)
    
    [{'start': 2, 'stop': 4, 'word': '北京', 'type': 'LOC'}, {'start': 12, 'stop': 14, 'word': '苏宁', 'type': 'LOC'}, {'start': 32, 'stop': 36, 'word': '今天下午', 'type': 'T'}]
    
    7.MultiLayerStdAttnCNN(cnn4ie/stand_alone_self_attention_cnn)

    (1).训练

    from cnn4ie.stand_alone_self_attention_cnn.train import Train
    train = Train()
    train.train_model('config.cfg')
    
    Epoch: 195 | Time: 0m 3s
          Train Loss: 247.570 | Train PPL: 3.29768182789317e+107
           Val. Loss: 681.482 |  Val. PPL: 9.20623044303632e+295
           Val. report:               precision    recall  f1-score   support
    
             1       0.99      1.00      1.00      4539
             2       0.99      0.99      0.99      4926
             3       0.95      0.86      0.90       166
             4       0.93      0.96      0.94        52
             5       0.91      0.78      0.84       120
             6       0.93      0.97      0.95        39
             7       0.80      0.89      0.84        54
             8       0.91      0.72      0.80        68
             9       1.00      0.69      0.82        26
            10       1.00      0.90      0.95        10
    
     accuracy                           0.98     10000
     macro avg       0.94      0.88      0.90     10000
     weighted avg       0.98      0.98      0.98     10000
    

    (2).预测

    from cnn4ie.stand_alone_self_attention_cnn.predict import Predict
    
    predict = Predict()
    predict.load_model_vocab('config.cfg')
    result = predict.predict('本报北京2月28日讯记者苏宁报道:八届全国人大常委会第三十次会议今天下午在京闭幕。')
    
    print(result)
    
    [{'start': 19, 'stop': 26, 'word': '全国人大常委会', 'type': 'ORG'}, {'start': 32, 'stop': 36, 'word': ' 今天下午', 'type': 'T'}, {'start': 2, 'stop': 4, 'word': '北京', 'type': 'LOC'}, {'start': 12, 'stop': 14, 'word': '苏宁', 'type': 'LOC'}]
    
    8.MultiLayerCSAttCNN(cnn4ie/channel_spatial_attention_cnn)

    (1).训练

    from cnn4ie.channel_spatial_attention_cnn.train import Train
    train = Train()
    train.train_model('config.cfg')
    
    Epoch: 181 | Time: 0m 3s
          Train Loss: 112.922 | Train PPL: 1.1001029953413096e+49
           Val. Loss: 493.448 |  Val. PPL: 2.002428912702234e+214
           Val. report:               precision    recall  f1-score   support
    
             1       0.99      1.00      1.00      4539
             2       0.98      0.98      0.98      4926
             3       0.89      0.81      0.85       166
             4       0.77      0.88      0.82        52
             5       0.90      0.73      0.81       120
             6       0.84      0.92      0.88        39
             7       0.81      0.89      0.85        54
             8       0.90      0.69      0.78        68
             9       0.85      0.85      0.85        26
            10       0.82      0.90      0.86        10
    
     accuracy                           0.98     10000
     macro avg       0.88      0.87      0.87     10000
     weighted avg       0.98      0.98      0.98     10000
    

    (2).预测

    from cnn4ie.channel_spatial_attention_cnn.predict import Predict
    
    predict = Predict()
    predict.load_model_vocab('config.cfg')
    result = predict.predict('本报北京2月28日讯记者苏宁报道:八届全国人大常委会第三十次会议今天下午在京闭幕。')
    
    print(result)
    
    [{'start': 2, 'stop': 4, 'word': '北京', 'type': 'LOC'}, {'start': 12, 'stop': 14, 'word': '苏宁', 'type': 'LOC'}, {'start': 32, 'stop': 36, 'word': '今天下午', 'type': 'T'}]    
    
    9.MultiLayerSACNN(cnn4ie/self_attention_cnn)

    (1).训练

    from cnn4ie.self_attention_cnn.train import Train
    train = Train()
    train.train_model('config.cfg')
    
    Epoch: 198 | Time: 0m 2s
          Train Loss: 241.123 | Train PPL: 5.227354818437855e+104
           Val. Loss: 421.708 |  Val. PPL: 1.3982772880257424e+183
           Val. report:               precision    recall  f1-score   support
    
             1       0.99      1.00      1.00      4539
             2       0.98      0.98      0.98      4926
             3       0.89      0.87      0.88       166
             4       0.84      0.92      0.88        52
             5       0.76      0.74      0.75       120
             6       0.88      0.95      0.91        39
             7       0.83      0.91      0.87        54
             8       0.80      0.71      0.75        68
             9       1.00      0.54      0.70        26
            10       1.00      0.70      0.82        10
    
     accuracy                           0.98     10000
     macro avg       0.90      0.83      0.85     10000
     weighted avg       0.98      0.98      0.98     10000
    

    (2).预测

    from cnn4ie.self_attention_cnn.predict import Predict
    
    predict = Predict()
    predict.load_model_vocab('config.cfg')
    result = predict.predict('本报北京2月28日讯记者苏宁报道:八届全国人大常委会第三十次会议今天下午在京闭幕。')
    
    print(result)
    
    [{'start': 32, 'stop': 36, 'word': '今天下午', 'type': 'T'}, {'start': 19, 'stop': 26, 'word': '全国人大常委会', 'type': 'ORG'}, {'start': 2, 'stop': 4, 'word': '北京', 'type': 'LOC'}, {'start': 12, 'stop': 14, 'word': '苏宁', 'type': 'LOC'}]
    
    10.MultiLayerGroupMixedCNN(cnn4ie/mixed_depthwise_cnn)

    (1).训练

    from cnn4ie.mixed_depthwise_cnn.train import Train
    train = Train()
    train.train_model('config.cfg')
    
    Epoch: 200 | Time: 0m 1s
          Train Loss: 310.169 | Train PPL: 5.0653182367925945e+134
           Val. Loss: 451.143 |  Val. PPL: 8.489160946059989e+195
           Val. report:               precision    recall  f1-score   support
    
             1       1.00      1.00      1.00      4539
             2       0.98      0.99      0.99      4926
             3       0.93      0.83      0.88       166
             4       0.89      0.90      0.90        52
             5       0.89      0.75      0.81       120
             6       0.92      0.92      0.92        39
             7       0.91      0.93      0.92        54
             8       0.86      0.71      0.77        68
             9       1.00      0.58      0.73        26
            10       1.00      0.70      0.82        10
    
     accuracy                           0.99     10000
     macro avg       0.94      0.83      0.87     10000
     weighted avg       0.98      0.99      0.98     10000
    

    (2).预测

    from cnn4ie.mixed_depthwise_cnn.predict import Predict
    
    predict = Predict()
    predict.load_model_vocab('config.cfg')
    result = predict.predict('本报北京2月28日讯记者苏宁报道:八届全国人大常委会第三十次会议今天下午在京闭幕。')
    
    print(result)
    
    [{'start': 19, 'stop': 24, 'word': '全国人大常', 'type': 'ORG'}, {'start': 2, 'stop': 4, 'word': '北京', 'type': 'LOC'}, {'start': 12, 'stop': 14, 'word': '苏宁', 'type': 'LOC'}, {'start': 32, 'stop': 36, 'word': '今天下午', 'type': 'T'}]
    
    11.MultiLayerMultiCNN(cnn4ie/multi_cnn)

    (1).训练

    from cnn4ie.multi_cnn.train import Train
    train = Train()
    train.train_model('config.cfg')
    
    Epoch: 200 | Time: 0m 1s
          Train Loss: 234.673 | Train PPL: 8.267382310706752e+101
           Val. Loss: 444.010 |  Val. PPL: 6.779999895568844e+192
           Val. report:               precision    recall  f1-score   support
    
             1       1.00      1.00      1.00      4539
             2       0.98      0.99      0.98      4926
             3       0.92      0.84      0.88       166
             4       0.81      0.96      0.88        52
             5       0.83      0.78      0.81       120
             6       0.86      0.95      0.90        39
             7       0.92      0.91      0.92        54
             8       0.80      0.71      0.75        68
             9       1.00      0.69      0.82        26
            10       1.00      0.70      0.82        10
    
     accuracy                           0.98     10000
     macro avg       0.91      0.85      0.88     10000
     weighted avg       0.98      0.98      0.98     10000
    

    (2).预测

    from cnn4ie.multi_cnn.predict import Predict
    
    predict = Predict()
    predict.load_model_vocab('config.cfg')
    result = predict.predict('本报北京2月28日讯记者苏宁报道:八届全国人大常委会第三十次会议今天下午在京闭幕。')
    
    print(result)
    
    [{'start': 32, 'stop': 36, 'word': '今天下午', 'type': 'T'}, {'start': 20, 'stop': 25, 'word': '国人大常委', 'type': 'ORG'}, {'start': 2, 'stop': 4, 'word': '北京', 'type': 'LOC'}, {'start': 12, 'stop': 14, 'word': '苏宁', 'type': 'LOC'}]
    
    12.MultiLayerMixedAttCNN(cnn4ie/mixed_attention_cnn)

    (1).训练

    from cnn4ie.mixed_attention_cnn.train import Train
    train = Train()
    train.train_model('config.cfg')
    
    Epoch: 250 | Time: 0m 3s
      Train Loss: 107.790 | Train PPL: 6.497928061494806e+46
       Val. Loss: 283.142 |  Val. PPL: 9.269305878179231e+122
       Val. report:               precision    recall  f1-score   support
    
             1       1.00      1.00      1.00      4539
             2       0.98      0.99      0.99      4926
             3       0.91      0.84      0.87       166
             4       0.86      0.98      0.92        52
             5       0.91      0.78      0.84       120
             6       0.93      0.97      0.95        39
             7       0.88      0.91      0.89        54
             8       0.92      0.72      0.81        68
             9       1.00      0.65      0.79        26
            10       1.00      0.80      0.89        10
    
     accuracy                           0.99     10000
     macro avg       0.94      0.86      0.89     10000
     weighted avg       0.99      0.99      0.99     10000
    

    (2).预测

    from cnn4ie.mixed_attention_cnn.predict import Predict
    
    predict = Predict()
    predict.load_model_vocab('config.cfg')
    result = predict.predict('本报北京2月28日讯记者苏宁报道:八届全国人大常委会第三十次会议今天下午在京闭幕。')
    
    print(result)
    
    [{'start': 32, 'stop': 36, 'word': '今天下午', 'type': 'T'}, {'start': 2, 'stop': 4, 'word': '北京', 'type': 'LOC'}, {'start': 12, 'stop': 14, 'word': '苏宁', 'type': 'LOC'}] 
    

Evaluate

评估采用的是P、R、F1、PPL等。评估方法可利用scikit-learn中的precision_recall_fscore_support或classification_report。

Install

  • 安装:pip install CNN4IE
  • 下载源码:
git clone https://github.com/jiangnanboy/CNN4IE.git
cd CNN4IE
python setup.py install

通过以上两种方法的任何一种完成安装都可以。如果不想安装,可以下载github源码包

Dataset

这里利用data(来自人民日报,识别的是[ORG, PER, LOC, T, O])中的数据进行训练评估,模型1的训练及评估结果(分为带预训练向量和不带预训练向量的训练结果)见examples/mlrescnn(其它模型可自行运行评估)。

预训练embedding向量:sgns.sogou.char.bz2

数据集的格式见data,分为train与dev,其中source与target为中文对应的实体标注。

数据被处理成csv格式。

Todo

持续加入更多模型......

Cite

如果你在研究中使用了CNN4IE,请按如下格式引用:

@software{CNN4IE,
  author = {Shi Yan},
  title = {CNN4IE: Chinese Information Extraction Tool},
  year = {2021},
  url = {https://github.com/jiangnanboy/CNN4IE},
}

License

CNN4IE 的授权协议为 Apache License 2.0,可免费用做商业用途。请在产品说明中附加CNN4IE的链接和授权协议。CNN4IE受版权法保护,侵权必究。

Update

(1).CNN4IE 0.1.0 init commit

(2).CNN4IE 0.1.1 update self.max_len

(3).CNN4IE 0.1.2 update new model -> [MultiLayerResDSCNN]

(4).CNN4IE 0.1.3 update new model -> [MultiLayerAugmentedCNN]、[MultiLayerLambdaCNN]

(5).CNN4IE 0.1.4 update new model -> [MultiLayerResLWCNN]、[MultiLayerResDYCNN]

(6).CNN4IE 0.1.5 update new model -> [MultiLayerStdAttnCNN]

(7).CNN4IE 0.1.6 update new model -> [MultiLayerCSAttCNN]

(8).CNN4IE 0.1.7 update new model -> [MultiLayerSACNN]、[MultiLayerGroupMixedCNN]

(9).CNN4IE 0.1.8 update new model -> [MultiLayerMultiCNN]

(10).CNN4IE 0.1.9 update new model -> [MultiLayerMixedAttCNN]

Reference

Project details


Download files

Download the file for your platform. If you're not sure which to choose, learn more about installing packages.

Source Distributions

No source distribution files available for this release.See tutorial on generating distribution archives.

Built Distribution

CNN4IE-0.1.9-py3-none-any.whl (124.9 kB view details)

Uploaded Python 3

File details

Details for the file CNN4IE-0.1.9-py3-none-any.whl.

File metadata

  • Download URL: CNN4IE-0.1.9-py3-none-any.whl
  • Upload date:
  • Size: 124.9 kB
  • Tags: Python 3
  • Uploaded using Trusted Publishing? No
  • Uploaded via: twine/3.4.2 importlib_metadata/4.8.1 pkginfo/1.4.2 requests/2.25.0 requests-toolbelt/0.9.1 tqdm/4.48.2 CPython/3.6.5

File hashes

Hashes for CNN4IE-0.1.9-py3-none-any.whl
Algorithm Hash digest
SHA256 e46b1cffad9af620f5de8a921e299a3f1b28aed90b9b2486d9d464eb5afbc535
MD5 ea14615cc0aa34a469ea660848ed1c04
BLAKE2b-256 9531dbf927583f5e5b26e82466b947cab77b15693a9363f1763f254bd441c574

See more details on using hashes here.

Supported by

AWS AWS Cloud computing and Security Sponsor Datadog Datadog Monitoring Fastly Fastly CDN Google Google Download Analytics Microsoft Microsoft PSF Sponsor Pingdom Pingdom Monitoring Sentry Sentry Error logging StatusPage StatusPage Status page