毕业设计-Pytorch实现基于BERT+ BiLSTM+CRF的命名实体识别项目源码+数据集+文档说明

<font size=8>**数据处理模块**</font> ​ 此模块主要对数据data、data2、msra、人名日报 4份数据进行处理，可直接提供给模型使用。 # 文件构成 - data2_preprocessing.py data2数据预处理文件 - msra_preprocessing.py MSRA数据预处理 - process_data.py 数据处理 - renminribao_preprocessing.py 人民日报数据处理 - vocab.py 词表 - 提供词表 和 tag 标签表格 - 词表采用 BERT 预训练文件中vocab.txt - tag 采用 O、B-PER、I-PER、B-LOC、I-LOC、B-ORG、I-ORG # 文件简介 ## data2_preprocessing.py data2 原文件all.txt 文件中的格式，这便是我们预处理的标准格式，所以这里只需要将文件切分成test.txt和train.txt两份数据即可。 ```python 中 B-ORG 共 I-ORG 中 I-ORG 央 I-ORG 致 O 中 B-ORG 国 I-ORG 致 I-ORG 公 I-ORG 党 I-ORG 十 I-ORG 一 I-ORG 大 I-ORG 的 O 贺 O 词 O ``` ## msra_preprocessing.py MSRA数据预处理 MAST是微软亚洲研究院开源数据 train1.txt 数据格式: ```python 当/o 希望工程/o 救助/o 的/o 百万/o 儿童/o 成长/o 起来/o ，/o 科教/o 兴/o 国/o 蔚然成风/o 时/o ，/o 今天/o 有/o 收藏/o 价值/o 的/o 书/o 你/o 没/o 买/o ，/o 明日/o 就/o 叫/o 你/o 悔不当初/o ！/o ``` 其中需要做几个映射: ``` 人名： nr -> B-PER、I-PER 地名： ns -> B-LOC、I-LOC 机构名称: nt -> B-ORG、I-ORG ``` 我们需要处理成以下格式: ```python 当 O 希 O 望 O 工 O 程 O 救 O 助 O 的 O 百 O 万 O ``` 并且切分成训练和测试数据集 ## process_data.py 数据处理 数据处理直接提供给模型训练使用。 数据处理有两种一种是一般的模型输入只需要一个2维数组 - 一般模型 - inputs = ids(n_sample x max_len) 只需要一个二维输入 - labels = label(n_sample x max_len x one_hot_num) (转化为noe-hot为可选项目) 三维数据 - BERT - inputs =[ids(n_sample x max_len) , types(n_sample x max_len) ] 只需要2个二维输入 - labels = label(n_sample x max_len x one_hot_num) (转化为noe-hot为可选项目) 三维数据 所以 一般模型的输入和bert数据输入需要进行区分 - 数据处理 (过程) - data（texts）（一般处理） - 获取char to index 字典 - 把文本转化为index的形式 - 截取过长的文本、填充长度不够文本 - data（texts）(bert数据处理) - 获取char to index 字典 - ids把文本转化为index的形式 type 全部填充0 因为只有一个句子 - 截取过长的文本 - 首尾进行填充（开始填充[CLS] 结尾填充 [SEP]） - labels（） - 获取tag to index 字典 - 把label处理成Index的形式 - 截取和填充(bert需要注意填充了[CLS] [SEP]) - 转化成one-hot（如果需要） - 最终输出(以label为one-hot为例子) - 一般数据 - datas.shape=(n_sample, max_len) - labels.shape=(n_sample, max_len, one_hot_len) - bert数据 - datas = [ ids.shape=(n_sample, max_len), types.shape=(n_sample, max_len) ] - lables.shape=(n_sample, max_len, one_hot_len) - bert数据处理 ## renminribao_preprocessing.py 人名日报标注数据预处理 原数据格式 (其实这个是别人稍稍处理过的-------------- ) ```python 迈/O 向/O 充/O 满/O 希/O 望/O 的/O 新/O 世/O 纪/O —/O —/O 一/O 九/O 九/O 八/O 年/O 新/O 年/O 讲/O 话/O （/O 附/O 图/O 片/O １/O 张/O ）/O 中/B_nt 共/M_nt 中/M_nt 央/E_nt 总/O 书/O 记/O 、/O 国/O 家/O 主/O 席/O 江/B_nr 泽/M_nr 民/E_nr （/O 一/O 九/O 九/O 七/O 年/O 十/O 二/O 月/O 三/O 十/O 一/O 日/O ）/O １/O ２/O 月/O ３/O １/O 日/O ，/O 中/B_nt 共/M_nt 中/M_nt 央/E_nt 总/O 书/O 记/O 、/O 国/O 家/O 主/O 席/O 江/B_nr 泽/M_nr 民/E_nr 发/O 表/O １/O ９/O ９/O ８/O 年/O 新/O 年/O 讲/O 话/O 《/O 迈/O 向/O 充/O 满/O 希/O 望/O 的/O 新/O 世/O 纪/O 》/O 。/O （/O 新/B_nt 华/M_nt 社/E_nt 记/O 者/O 兰/B_nr 红/M_nr 光/E_nr 摄/O ）/O ``` 需要做的标注映射: ```python 人名： B_nr -> B-PER M_nr -> I-PER E_nr -> I-PER 地名： B_ns -> B-LOC M_ns -> I-LOC E_ns -> I-LOC 机构名称: B_nt -> B-ORG M_nt -> I-ORG E_nt -> I-ORG ``` 处理成通用的格式 ```python 迈 O 向 O 充 O 满 O 希 O 望 O 的 O 新 O 世 O 纪 O — O — O ``` ## vocab.py 词表 - 提供词表 和 tag 标签表格 - 词表采用 BERT 预训练文件中vocab.txt - tag 采用 O、B-PER、I-PER、B-LOC、I-LOC、B-ORG、I-ORG