TPlinker解读

参考：
关系抽取之TPLinker解读加源码分析
TPLinker 实体关系抽取代码解读
实体关系联合抽取：TPlinker
TPLinker中文注释版

Tagging

TPLinker模型需要对关系三元组(subject, relation, object)进行手动Tagging，过程分为三部分：
（1）entity head to entity tail (EH-TO-ET)
（2）subject head to object head (SH-to-OH)
（3）subject tail to object tail (ST-to-OT)
标记示例见下图，EH-TO-ET用紫色表示，SH-to-OH用红色表示，ST-to-OT用蓝色表示。

• 其中紫色标签代表实体的头尾关系，红色标签代表 subject 和 object 两个实体的头部关系，蓝色标签代表 subject 和 object 两个实体的尾部关系，因为三种关系可能重叠，所以三种标签是存在于不同的矩阵，这里为了便于阐述，才放在一起。
• 因为实体尾部不可能出现在头部之前，所以紫色标签是不可能出现在下三角区的，那么这样标就有点浪费资源，我们可以舍弃掉下三角区域；但是红标和蓝标可能出现在下三角区域，因此，我们可以把下三角区域的值映射到上三角，并标记为2
• 标记方案如图：

模型框架

模型比较简单，整个句子过一遍 encoder，然后将 token 两两拼接输入到一个全连接层，再激活一下输出作为 token 对的向量表示，最后对 token 对进行分类即可。换句话说，这其实是一个较长序列的标注过程。

预测三元组

将模型对应的输出结果与输入的text进行匹配，解码出所需要的三元组。
通常先进行实体抽取得到字典D（key是实体头部，value是实体尾部）。
通过解码ST-to-OT关系得到有关系的两个实体的尾部，构建为字典E
通过解码SH-to-OH关系得到有关系的两个实体的头部，然后结合字典D，可以得到后续两个实体尾部。判断这两个实体尾部在不在字典E里面，如果在就是成功抽取了一条三元组。

训练数据的格式：

{"text": "In Queens , North Shore Towers , near the Nassau border , supplanted a golf course , and housing replaced a gravel quarry in Douglaston .", 

"id": "valid_0", 

"relation_list": 
[{"subject": "Douglaston", 
  "object": "Queens", 
  "subj_char_span": [125, 135], 
  "obj_char_span": [3, 9], 
  "predicate": "/location/neighborhood/neighborhood_of", 
  "subj_tok_span": [26, 28], 
  "obj_tok_span": [1, 2]}, 
 {"subject": "Queens", "object": "Douglaston", "subj_char_span": [3, 9], "obj_char_span": [125, 135], "predicate": "/location/location/contains", "subj_tok_span": [1, 2], "obj_tok_span": [26, 28]}], 
 
"entity_list": 
[{"text": "Douglaston", 
"type": "DEFAULT", 
"char_span": [125, 135], 
"tok_span": [26, 28]}, 
{"text": "Queens", "type": "DEFAULT", "char_span": [3, 9], "tok_span": [1, 2]}, 
{"text": "Queens", "type": "DEFAULT", "char_span": [3, 9], "tok_span": [1, 2]}, 
{"text": "Douglaston", "type": "DEFAULT", "char_span": [125, 135], "tok_span": [26, 28]}]}

训练数据的最外层有4个主键：

• “text”：输入数据的文本
• “id”：输入数据的id
• “relation_list”：输入数据文本当中存在的关系。
• “entity_list”：输入数据文本当中存在的实体。

模型所需要的输入数据

1. 其中作为输入的有：

• batch_input_ids：是单词在词典中的编码
• batch_attention_mask：指定对哪些词进行self - Attention操作
• batch_token_type_ids：区分两个句子的编码（上句全为0，下句全为1）

2. 其中作为模型输出的标签来辅助更新权重的有：

• batch_ent_shaking_tag：token的【起始位置，尾部位置，实体标签】
• batch_head_rel_shaking_tag：【关系类别，实体_1 头部，实体_2头部，关系标签a】
• batch_tail_rel_shaking_tag：【关系类别，实体_1 尾部，实体_2尾部，关系标签b】

根据模型所需要输入的数据对训练数据进行一系列的处理。
调整训练时的参数去训练自己的数据。
调整输入输出为自己喜欢的样式。