关于自己标注数据集 about deepke

[yuwl798180]

你好，关系抽取打标是一件很费时的事情。
demo的数据不是我自己打标的，是采样了百度的数据集的一部分，具体使用他的数据集，可以见 网址

至于具体打标的过程：
现在基本采用远程监督的方式。先用已知的三元组与互联网中的语料对齐，得到粗糙的语料。
比如想得到 school-isLocatedIn-place 这样的三元组语料，要先有如relaton:isLocatedIn （head清华大学-tail北京) 这样的三元组。再用这个三元组到互联网中对齐相应的语句，比如一句话中出现了清华大学和北京，就默认这是一条符合要求的语料。
但是这样一定会存在误标的语句，原因是词语多义和句中head tail并不一定是描述相应关系。

远程监督得到的语料后，后面就只能用人工校验了。
打标的语句中不仅要标出 head,tail，最好还要标出head_offset, tail_offset，这两个值是为了找出正确的entity位置。比如：南京南站位于南京的东北处。此时想标记南京就要区分到底是哪个南京了。

另一个head_type ，这个标不标记到不重要，可以在relation中标记出。这个作用是为了训练使用的。
为了让训练的语句记住句子的范式，往往会使用type替换entity，效果提升会非常明显。
比如句子是：张三是《太极》的主演，替换后为person是movie的主演。肯定是第二句的句子范式可以更好些。

当然远程监督打标出来的数据，也是可以直接训练的，这样的论文也有很多。

[tantingting1012]

好的，谢谢，方便问一下您这个项目，预测部分代码什么时候公开呢