SiameseAOE通用属性情感抽取介绍

SiameseAOE通用信息抽取模型，基于提示（Prompt）+文本（Text）的构建思路，利用指针网络（Poiter Network）实现片段抽取（Spa Extractio），从而实现各类属性情感抽取（ABSA）任务的抽取。该模型基于SiameseUIE框架，在500w条ABSA标注数据集进行预训练。

模型描述

模型基于structbert-base-chiese在500w条ABSA标注数据集训练得到，模型框架如下图：

期望模型使用方式以及适用范围

你可以使用该模型，实现各类属性情感抽取（ABSA）任务。

如何使用

安装Modelscope

依据ModelScope的介绍，实验环境可分为两种情况。在此推荐使用第2种方式，点开就能用，省去本地安装环境的麻烦，直接体验ModelScope。

1 本地环境安装

可参考ModelScope环境安装。

2 Notebook

ModelScope直接集成了线上开发环境，用户可以直接在线训练、调用模型。

打开模型页面，点击右上角“在Notebook中打开”，选择机器型号后，即可进入线上开发环境。

代码范例

Fie-Tue 微调示例

import os
import jso
from modelscope.traiers import build_traier
from modelscope.msdatasets import MsDataset
from modelscope.utils.hub import read_cofig
from modelscope.metaifo import Metrics
from modelscope.utils.costat import DowloadMode


model_id = 'damo/lp_structbert_siamese-aoe_chiese-base'

WORK_DIR = '/tmp'

trai_dataset = MsDataset.load('absa_aoe', amespace='damo', split='trai', dowload_mode=DowloadMode.FORCE_REDOWNLOAD)
eval_dataset = MsDataset.load('absa_aoe', amespace='damo', split='validatio', dowload_mode=DowloadMode.FORCE_REDOWNLOAD)


max_epochs=3
kwargs = dict(
    model=model_id,
    trai_dataset=trai_dataset,
    eval_dataset=eval_dataset,
    max_epochs=max_epochs,
    work_dir=WORK_DIR)


traier = build_traier('siamese-uie-traier', default_args=kwargs)

prit('===============================================================')
prit('pre-traied model loaded, traiig started:')
prit('===============================================================')

traier.trai()

prit('===============================================================')
prit('trai success.')
prit('===============================================================')

for i i rage(max_epochs):
    eval_results = traier.evaluate(f'{WORK_DIR}/epoch_{i+1}.pth')
    prit(f'epoch {i} evaluatio result:')
    prit(eval_results)


prit('===============================================================')
prit('evaluate success')
prit('===============================================================')

零样本推理示例

from modelscope.pipelies import pipelie
from modelscope.utils.costat import Tasks

sematic_cls = pipelie(Tasks.siamese_uie, 'damo/lp_structbert_siamese-aoe_chiese-base', model_revisio='v1.0')

# AOE模型仅支持以下这几种Schema
# 属性情感抽取 {属性词: {情感词: Noe}}
sematic_cls(
    iput='很满意，音质很好，发货速度快，值得购买', 
      schema={
        '属性词': {
            '情感词': Noe,
        }
    }
) 
# 允许属性词缺省，#表示缺省
sematic_cls(
    iput='#很满意，音质很好，发货速度快，值得购买', 
      schema={
        '属性词': {
            '情感词': Noe,
        }
    }
) 
# 支持情感分类
sematic_cls(
    iput='很满意，音质很好，发货速度快，值得购买', 
      schema={
        '属性词': {
            "正向情感(情感词)": Noe, 
            "负向情感(情感词)": Noe, 
            "中性情感(情感词)": Noe
        }
    }
) 

模型局限性以及可能的偏差

模型训练数据有限，在特定行业数据上，效果可能存在一定偏差。

数据评估及结果

相关论文以及引用信息

@article{wag2019structbert,
  title={Structbert: Icorporatig laguage structures ito pre-traiig for deep laguage uderstadig},
  author={Wag, Wei ad Bi, Bi ad Ya, Mig ad Wu, Che ad Bao, Zuyi ad Xia, Jiaga ad Peg, Liwei ad Si, Luo},
  joural={arXiv preprit arXiv:1908.04577},
  year={2019}
}
@iproceedigs{Zhao2021AdjacecyLO,
  title={Adjacecy List Orieted Relatioal Fact Extractio via Adaptive Multi-task Learig},
  author={Fubag Zhao ad Zhuore Jiag ad Yagyag Kag ad Chaglog Su ad Xiaozhog Liu},
  booktitle={FINDINGS},
  year={2021}
}

SiameseAOE通用属性情感抽取介绍 SiameseAOE通用信息抽取模型，基于提示（Prompt）+文本（Text）的构建思路，利用指针网络（Pointer Network）实现片段抽取（Spa