创建模型

训练模型框架介绍

KG服务提供不同类型的关系抽取模型，以应对用户不同的条件与需求。

KG服务当前提供以下训练模型框架供您自定义模型：

• DGCNN是一个较为复杂的端到端关系抽取模型，它在使用BERT模型建模语言关系的基础上，利用DGCNN网络额外使用了文本的分词词性信息，这使得它对于待抽取实体的边界识别能力很强。但复杂的模型意味着更多的标注数据需求，推荐平均每类关系三元组标注数据在400以上，所有标注文本样本数量在8000以上。
• MRC-BM-v2是一个非常简单的、基于BERT模型、端到端的关系抽取模型，它对于标注数据量的要求非常低，平均每个关系仅需要200组左右标注数据即可训练出一个较好（实测F1值在0.7左右）的模型，平均每个关系标注数据在2000左右模型训练效果达到一个峰值（实测F1值在0.8左右），数据量越多，质量越好，效果会越好。
• MRC-BM是旧版本的模型，为兼容保留，新创建模型请使用MRC-BM-v2。

训练数据类型介绍

在创建抽取模型时，需要您提前准备训练数据上传至OBS目录。KG服务当前支持的数据类型包括“Dataset”、“Brat”、“ModelArts”。

• Dataset

  DATASET数据需要用户指定的文件夹中包含两个指定格式与名称的文件：schema.json和train_data.json。前者用来指定需要抽取的关系三元组类型，后者用来存放所有的标注数据。

  schema.json一行一句json字符串，表示一种关系三元组类型：“predicate”表示谓词，“subject”表示主语类型，“object”表示宾语类型。例如：

  {"predicate": "出生地", "subject": "人物", "object": "地点"}

  train_data.json一行一句json字符串，表示一条标注数据。其中“text”是文本，“spo_list”是spo三元组的list，每个spo三元组包含7个元素，“predicate”为三元组谓词，“object_type”为宾语类型，“subject_type”为主语类型，“object_position”为宾语在文中出现的位置，“subject_position”为主语在文中出现的位置，“object”为宾语词，“subject”为主语词。例如：

  {"text":"比如钱钟书和杨绛、鲁迅和许广平都只有一个子女","spo_list":[{"predicate":"妻子","object_type":"人物","subject_type":"人物","object":"杨绛","subject":"钱钟书","subject_position":2,"object_position":6},{"predicate":"丈夫","object_type":"人物","subject_type":"人物","object":"钱钟书","subject":"杨绛","subject_position":6,"object_position":2}]}

• Brat

  BRAT是一个开源的文本标注工具，主要用于对文本的结构化标注，您可以前往官网下载。KG服务的预置模型框架支持直接利用BRAT关系三元组标注的结果来训练模型。注意您的标注任务仅限于BRAT的关系三元组标注，而且不要使用BRAT标注系统中的高级内容（如定义关系的自反性、传递性等）。

  一个典型的BRAT文本标注结果文件夹包含如下文件：annotation.conf，file.txt，file.ann。其中annotation.conf是BRAT标注配置文件，file.txt是待标注文本文件，可以有多个，每个文本文件都有一个同名的file.ann文件作为标注结果文件。

  Annotation.conf：配置文件需要满足BRAT标注系统的要求，一个典型的配置文件如下：

  [entities]
  人物
  Date
  图书作品
  [relations]
  出生日期 Arg1：人物，Arg2：Date
  作者     Arg1：图书作品，Arg2：人物
  [events]
  [attributes]

  File.ann：用户上传文本文件同名的标注结果文件，上面标注后结果文件一般如下：

  历史人物 54151 54153  蔡京
  T3153   Text 54181 54183    北宋
  人物 54151 54153 蔡京
  T3155   Date 54154 54164    1047年2月14日
  朝代 Arg1:T3152 Arg2:T3153
  出生日期 Arg1:T3154 Arg2:T3155

前提条件

准备训练数据并上传至OBS目录，详细步骤请参见准备训练数据，数据类型和要求请见训练数据类型介绍。

操作步骤

1. 登录KG服务管理控制台，在左侧菜单栏中选择“我的图谱资产库 > 我的模型”，进入“模型管理”页面。
2. 在模型列表左上方，单击“创建模型”。

   弹出“创建模型”对话框，如图1所示。

   图1 创建模型
   
3. 按表1填写相关信息。

   表1 创建模型参数说明

   参数	说明
   模型名称	模型的名称。暂不支持修改。
   模型模板	选择训练模型预置模板。KG服务预置模型模板有“DGCNN”、“MRC-BM-v2”、“MRC-BM”，详情请见训练模型框架介绍。
   数据类型	选择训练模型的数据类型，即待抽取的信息数据类型。KG服务支持的数据类型包括“DATASET”、“BRAT”、“MODELARTS”,详情请见训练数据类型介绍。
   OBS桶	选择训练数据存储的OBS桶。需保证您的OBS桶与KG服务在同一区域，桶的存储类别为“标准存储”。
   文件夹	选择训练数据存储在OBS桶中的文件夹。
   描述	模型的描述。

4. 单击“确定”，完成模型创建。

   跳至“模型管理”页面，新创建的模型显示在模型列表中。

查看模型

• 查看模型列表

  完成模型创建后，登录KG服务管理控制台，您可以在左侧菜单栏中选择“我的图谱资产库 > 我的模型”，查看模型列表，包括模型的“状态”、“更新时间”、“OBS路径”、“描述”、“操作”，其中模型状态包括“可用”、“训练中”、“使用中”、“不可用”，如图2所示。

  您也可以在列表右上方选择状态过滤查看模型，或在搜索文本框中输入模型名称，搜索查看模型。

  图2 模型列表
  

• 查看模型详情

  登录KG服务管理控制台，在左侧菜单栏中选择“我的图谱资产库 > 我的模型”，在模型列表中单击操作栏的“查看”，进入模型详情页面。模型详情页面包含信息如表2所示。

  图3 模型详情
  

  表2 模型详情

  详情分类	参数	说明
  已发布版本	模型模板	已发布版本的模型所选择的预置模板。
  	模型评估	已发布版本的模型评估参数。 准确率：在被所有预测为正的样本中实际为正样本的概率。 召回率：在实际为正的样本中被预测为正样本的概率。 F1：综合考虑准确率和召回率的影响，由两者计算而来，越接近1代表模型越好。
  	训练数据路径	已发布版本的模型，其训练数据的OBS存储目录。
  	更新时间	已发布的模型版本的更新时间。
  	状态	已发布的模型版本状态，发布成功后状态显示为“已发布”。
  	查看schema	KG服务把信息抽取任务定义为schema约束下的关系三元组抽取任务，schema表明从文本信息中抽取的知识类型。 subject_type：主语 predicate：谓语 object_type：宾语 单击可查看最新发布的模型版本可抽取的知识种类，如图4所示。
  版本管理	版本	版本ID。
  	描述	版本的描述。
  	模型评估	版本的模型评估参数。 ：准确率（Precision）是在被所有预测为正的样本中实际为正样本的概率。 ：召回率（Recall）是在实际为正的样本中被预测为正样本的概率。 ：F1值综合考虑准确率和召回率的影响，由两者计算而来，越接近1代表模型越好。
  	更新时间	版本的更新时间。
  	状态	版本的状态，包括“训练中”、“训练失败”、“训练完成”、“已发布”、“停用”。
  	操作	针对不同版本状态，可进行对应的操作。 修改：修改当前版本的模型参数。 发布：发布当前版本。 删除：删除当前版本。 停用：停用当前版本，使模型不能用于信息抽取。

  图4 查看schema
  

后续操作

信息抽取模型创建完成，即可在构建图谱的过程中配置信息抽取，详情请见非结构化抽取。