关系抽取

在去年年底，我们团队根据开源模型DuUIE推理性能不足的问题，提出了一套基于SiamesePrompt的通用自然语言理解框架，在速度提升30%的同时，F1 Score提升了25%，同时可以支持任意元组

tasks: 知识图谱 时序图数据库 命名实体识别 关系抽取 事件抽取 属性抽取 安装包下载 git clone https://www.modelscope.cn/AbutionGraph/a

SiameseUniNLU通用自然语言理解模型介绍 SiameseUniNLU通用自然语言理解模型，基于提示（Prompt）+文本（Text）的构建思路，通过设计适配于多种任务的Prompt，并利用指

SiameseUIE通用信息抽取模型介绍 SiameseUIE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

商品评价解析模型介绍 商品评价解析模型是在hfl/chinese-roberta-wwm-ext预训练模型的基础上，结合自研DIRECT模型，用10%商品评价解析数据集(训练集11.7w，验证集1.3

百科关系抽取模型介绍 百科关系抽取模型是在hfl/chinese-roberta-wwm-ext预训练模型的基础上，用duie数据集训练出来的关系抽取模型。 模型描述 模型基于hfl/chinese-

整体结构可以分为实体识别和关系/属性抽取两部分，流程可以分为6步，其中2、3和4步会重复执行多次。 第1步：通过Hanlp和规则匹配的方式抽取部分实体 第2步：采用远程监督方法，用种子知识图谱对齐无标数据得到标出了实体的数据 第3步：用上一步得到的标出了实体的数据训练模型 第4步：用上一步训练的实体识别模型抽取无标数据中的实体，并将抽取出的实体加入到种子知识图谱中，增加种子知识图谱的规模，重复2，3，4步多次不断使种子知识图谱规则不断扩大 第5步：通过重复2，3，4步多次后得到扩展了大量实体的知识图谱，用种子知识图谱对齐无标数据，将无标数据中的实体都找出来 第6步：通过上一步得到无标数据中的实体后，使用规则的方法判断实体间的关系和属性

整体结构可以分为实体识别和关系/属性抽取两部分，流程可以分为6步，其中2、3和4步会重复执行多次。 第1步：通过Hanlp和规则匹配的方式抽取部分实体 第2步：采用远程监督方法，用种子知识图谱对齐无标数据得到标出了实体的数据 第3步：用上一步得到的标出了实体的数据训练模型 第4步：用上一步训练的实体识别模型抽取无标数据中的实体，并将抽取出的实体加入到种子知识图谱中，增加种子知识图谱的规模，重复2，3，4步多次不断使种子知识图谱规则不断扩大 第5步：通过重复2，3，4步多次后得到扩展了大量实体的知识图谱，用种子知识图谱对齐无标数据，将无标数据中的实体都找出来 第6步：通过上一步得到无标数据中的实体后，使用规则的方法判断实体间的关系和属性

产品描述：一栈式知识图谱构建平台，从本体建模、知识抽取、知识融合、知识入库、知识计算到知识应用的全生命周期管理。 负责的工作： 1.知识图谱平台需求调研、产品设计 2.图数据库选型，数据库nebula的技术调研，部署与运维 3.平台涉及到的算法支持，如关系抽取、实体识别、文本分类、实体融合等模型开发

1. 基于自然语言处理的信息抽取技术，实现垂直领域知识图谱的构建 2. 个人独立完成的技术算法，非系统产品。基于实体识别、关系抽取、阅读理解模型，训练领域内的抽取模型框架，实现领域知识的抽取与知识图谱的构建

项目背景：通过搭建知识图谱系统进行规整管理，提升工作效率的同时，完成数据信息统一化，进而实现资产关系快速检索及全链路关系查询，做到系统发生故障时的根因分析定位。 项目职责：主导命名实体任务开发及优化+关系抽取、实体链接模型设计与研发+KBQA问答服务。 效果提升：提出通过构造不同的标签序列标注方案进行训练，解决中英文混合输入等问题，提升使用 提升工作效率的同时，完成数据信息统一化，进而实现资产关系快速检索及全链路关系查询，做到系统发生故障时的根因分析定位。 项目职责：主导命名实体任务开发及优化+关系抽取、实体链接模型设计与研发+KBQA问答服务。 效果提升：提出通过构造不同的标签序列标注方案进行训练，解决中英文混合输入等问题，提升使用效果，f1 score最高达96%，较之前提升17%。 模型搭建：主导关系抽取模型及实体链接模型搭建，通过elasticsearch做倒排索引召回，解决实体命名不一致问题，通过Bert_Biaffine模型有效进行嵌套实体识别，提升工作效率。 项目成果：顺利完成项目落地，实现KBQA问答服务，满足业务需求。