实体关系抽取的Pipeline方法：BiLSTM+CRF+BERT应用

# EntityRelationExtraction #### 引流 完整的可视化demo见我的另一个[仓库](https://github.com/Xie-Minghui/MultiHeadJointEntityRelationExtraction_simple) #### 项目说明 项目使用pytorch实现实体关系抽取中的流水线式模型。 命名实体识别部分使用的是BiLSTM+CRF。 实体关系抽取使用的是Bert进行关系分类。 最终的效果比较好。 #### 数据集说明 百度的DUIE数据集是业界规模最大的中文信息抽取数据集。它包含了43万三元组数据、21万中文句子。 句子的平均长度为54，每句话中的三元组数量的平均值为2.1。 下面是一个样本： {"text": "据了解，《小姨多鹤》主要在大连和丹东大梨树影视城取景，是导演安建继《北风那个吹》之后拍摄的又一部极具东北文化气息的作品", "spo_list": [{ "predicate": "导演", "object_type": "人物", "subject_type": "影视作品", "object": "安建", "subject": "小姨多鹤" }, { "predicate": "导演", "object_type": "人物", "subject_type": "影视作品", "object": "安建", "subject": "北风那个吹" }] } ##### 数据集和预训练模型的下载 数据集的下载 链接：https://pan.baidu.com/s/1XK3v6BQlnsvhGxgg-71IpA 提取码：nlp0 预训练模型和相关文件见 https://huggingface.co/bert-base-chinese/tree/main #### 使用说明 ##### 训练 Bert模型使用的是huggingface的Bert-base模型 命名实体部分的训练，直接运行mains/train_ner.py 关系抽取部分的训练，直接运行mains/train_rel.py train.py,config.py是之前联合抽取的代码，在这个项目作废。 ##### 测试 直接运行deploy/demo.py。会首先进行命名实体识别，然后将实体两两组成实体对进行关系分类。 资源来源于网络分享，如有侵权，请告知。仅供学习交流使用，禁止用于商业用途。