乐趣区

关于人工智能:手把手教学构建农业知识图谱农业领域的信息检索智能问答命名实体识别关系抽取实体关系查询

作者：

jiezi

在

手把手教学构建农业知识图谱：农业畛域的信息检索+智能问答，命名实体辨认，关系抽取，实体关系查问

1.我的项目介绍：

成果展现：

  • 目录构造：
.
├── MyCrawler      // scrapy爬虫我的项目门路(已爬好)
│   └── MyCrawler
│       ├── data
│       └── spiders
├── data\ processing    // 数据荡涤(已无用)
│   └── data
├── demo     // django我的项目门路
│   ├── Model  // 模型层，用于封装Item类，以及neo4j和csv的读取
│   ├── demo   // 用于写页面的逻辑(View)
│   ├── label_data    // 标注训练集页面的保留门路
│   │   └── handwork
│   ├── static    // 动态资源
│   │   ├── css
│   │   ├── js
│   │   └── open-iconic
│   ├── templates   // html页面
│   └── toolkit   // 工具库，包含预加载，命名实体辨认
│   └── KNN_predict   
├── KNN_predict    // KNN算法预测标签
├── dfs_tree_crawler     // 爬取互动百科农业实体树形构造的爬虫
└── wikidataSpider    //  爬取wiki中的关系
  • 可复用资源
  • hudong_pedia.csv : 曾经爬好的农业实体的百科页面的结构化csv文件
  • labels.txt： 5000多个手工标注的实体类别
  • predict_labels.txt: KNN算法预测的15W多个实体的类别
  • /wikidataSpider/wikidataProcessing/wikidata_relation.csv: predict_labels.txt中实体在wikidata中对应的三元组关系
  • attributes.csv: 局部实体的属性(互动百科页面中间接失去)
  • wikidataSpider/weatherData/static_weather_list.csv： 气象类型列表
  • wikidataSpider/weatherData/weather_plant.csv：气象与动物的种植关系
  • wikidataSpider/weatherData/city_weather.csv：城市与气象的关系

我的项目码源见文章顶部或文末

我的项目码源点击跳转

2.我的项目配置

0.装置根本环境：

确保装置好python3和Neo4j（任意版本）

装置一系列pip依赖： cd至我的项目根目录，运行 sudo pip3 install -r requirement.txt

1.导入数据：

将hudong_pedia.csv导入neo4j：开启neo4j，进入neo4j控制台。将hudong_pedia.csv放入neo4j装置目录下的/import目录。在控制台顺次输出：

// 将hudong_pedia.csv 导入
LOAD CSV WITH HEADERS  FROM "file:///hudong_pedia.csv" AS line  
CREATE (p:HudongItem{title:line.title,image:line.image,detail:line.detail,url:line.url,openTypeList:line.openTypeList,baseInfoKeyList:line.baseInfoKeyList,baseInfoValueList:line.baseInfoValueList})  

// 新增了hudong_pedia2.csv
LOAD CSV WITH HEADERS  FROM "file:///hudong_pedia2.csv" AS line  
CREATE (p:HudongItem{title:line.title,image:line.image,detail:line.detail,url:line.url,openTypeList:line.openTypeList,baseInfoKeyList:line.baseInfoKeyList,baseInfoValueList:line.baseInfoValueList})  
// 创立索引
CREATE CONSTRAINT ON (c:HudongItem)
ASSERT c.title IS UNIQUE

以上两步的意思是，将hudong_pedia.csv导入neo4j作为结点，而后对titile属性增加UNIQUE（惟一束缚/索引）

（如果导入的时候呈现neo4j jvm内存溢出，能够在导入前，先把neo4j下的conf/neo4j.conf中的dbms.memory.heap.initial_size 和dbms.memory.heap.max_size调大点。导入实现后再把值改回去）

进入/wikidataSpider/wikidataProcessing中，将new_node.csv,wikidata_relation.csv,wikidata_relation2.csv三个文件放入neo4j的import文件夹中（运行relationDataProcessing.py能够失去这3个文件），而后别离运行

// 导入新的节点
LOAD CSV WITH HEADERS FROM "file:///new_node.csv" AS line
CREATE (:NewNode { title: line.title })

//增加索引
CREATE CONSTRAINT ON (c:NewNode)
ASSERT c.title IS UNIQUE

//导入hudongItem和新退出节点之间的关系
LOAD CSV  WITH HEADERS FROM "file:///wikidata_relation2.csv" AS line
MATCH (entity1:HudongItem{title:line.HudongItem}) , (entity2:NewNode{title:line.NewNode})
CREATE (entity1)-[:RELATION { type: line.relation }]->(entity2)

LOAD CSV  WITH HEADERS FROM "file:///wikidata_relation.csv" AS line
MATCH (entity1:HudongItem{title:line.HudongItem1}) , (entity2:HudongItem{title:line.HudongItem2})
CREATE (entity1)-[:RELATION { type: line.relation }]->(entity2)

导入实体属性(数据起源: 互动百科)

将attributes.csv放到neo4j的import目录下，而后执行

LOAD CSV WITH HEADERS FROM "file:///attributes.csv" AS line
MATCH (entity1:HudongItem{title:line.Entity}), (entity2:HudongItem{title:line.Attribute})
CREATE (entity1)-[:RELATION { type: line.AttributeName }]->(entity2);
                                                            
LOAD CSV WITH HEADERS FROM "file:///attributes.csv" AS line
MATCH (entity1:HudongItem{title:line.Entity}), (entity2:NewNode{title:line.Attribute})
CREATE (entity1)-[:RELATION { type: line.AttributeName }]->(entity2);
                                                            
LOAD CSV WITH HEADERS FROM "file:///attributes.csv" AS line
MATCH (entity1:NewNode{title:line.Entity}), (entity2:NewNode{title:line.Attribute})
CREATE (entity1)-[:RELATION { type: line.AttributeName }]->(entity2);
                                                            
LOAD CSV WITH HEADERS FROM "file:///attributes.csv" AS line
MATCH (entity1:NewNode{title:line.Entity}), (entity2:HudongItem{title:line.Attribute})
CREATE (entity1)-[:RELATION { type: line.AttributeName }]->(entity2)  

//咱们建索引的时候带了label，因而只有应用label时才会应用索引，这里咱们的实体有两个label，所以一共做2*2=4次。当然，能够建设全局索引，即对于不同的label应用同一个索引

导入气象名称:

将wikidataSpider/weatherData/static_weather_list.csv放在指定的地位(import文件夹下)

//导入节点
LOAD CSV WITH HEADERS FROM "file:///static_weather_list.csv" AS line
MERGE (:Weather { title: line.title })

//增加索引
CREATE CONSTRAINT ON (c:Weather)
ASSERT c.title IS UNIQUE

导入气象与动物的关系


将wikidataSpider/weatherData/weather_plant.csv放在指定的地位(import文件夹下)
//导入hudongItem和新退出节点之间的关系
LOAD CSV  WITH HEADERS FROM "file:///weather_plant.csv" AS line
MATCH (entity1:Weather{title:line.Weather}) , (entity2:HudongItem{title:line.Plant})
CREATE (entity1)-[:Weather2Plant { type: line.relation }]->(entity2)
导入城市的气象

将city_weather.csv放在指定的地位(import 文件夹下)
(这步大概须要15分钟左右)
//导入城市对应的气象
LOAD CSV WITH HEADERS FROM "file:///city_weather.csv" AS line
MATCH (city{title:line.city}) , (weather{title:line.weather})
CREATE (city)-[:CityWeather { type: line.relation }]->(weather)

以上步骤是导入爬取到的关系

2.下载词向量模型：（如果只是为了运行我的项目，步骤2能够不做，预测后果曾经离线解决好了）

3.批改Neo4j用户

进入demo/Model/neo_models.py,批改第9行的neo4j账号密码，改成你本人的

4.启动服务

进入demo目录，而后运行脚本：

sudo sh django_server_start.sh

这样就胜利的启动了django。咱们进入8000端口主页面，输出文本，即可看到以下命名实体和分词的后果（确保django和neo4j都处于开启状态）

2.1农业知识问答

2.2关系查问

  • 批改局部配置信息
  • 关系查问中，增加了2个实体间的最短路查问，从而挖掘出实体之间一些奇怪的隐含关系

2.3农业实体辨认+实体分类

点击实体的超链接，能够跳转到词条页面（词云采纳了词向量技术）：

2.3.1实体查问

实体查问局部，咱们可能搜寻出与某一实体相干的实体，以及它们之间的关系：

2.3.2关系查问

关系查问即查问三元组关系entity1-[relation]->entity2 , 分为如下几种状况:

  • 指定第一个实体entity1
  • 指定第二个实体entity2
  • 指定第一个实体entity1和关系relation
  • 指定关系relation和第二个实体entity2
  • 指定第一个实体entity1和第二个实体entity2
  • 指定第一个实体entity1和第二个实体entity2以及关系relation

下图所示，是指定关系relation和第二个实体entity2的查问后果

2.4常识的树形构造

农业知识概览局部，咱们可能列出某一农业分类下的词条列表，这些概念以树形构造组织在一起：

农业分类的树形图：

2.5训练集标注

咱们还制作了训练集的手动标注页面，每次会随机的跳出一个未标注过的词条。链接：http://localhost:8000/tagging-get , 手动标注的后果会追加到/label_data/labels.txt文件开端：

咱们将这部分做成了小工具，可复用：https://github.com/qq547276542/LabelMarker

(update 2018.04.07) 同样的，咱们制作了标注关系提取训练集的工具，如下图所示

如果Statement的标签是对的，点击True按钮；否则抉择一个关系，或者输出其它关系。若以后句子无奈判断，则点击Change One按钮换一条数据。

阐明:　Statement是/wikidataSpider/TrainDataBaseOnWiki/finalData中train_data.txt中的数据，咱们将它转化成json,导入到mongoDB中。标注好的数据同样存在MongoDB中另一个Collection中。对于Mongo的应用办法能够参考官网tutorial，或者利用这篇文章简略理解一下MongoDB

咱们在MongoDB中应用两个Collections，一个是train_data，即未经人工标注的数据；另一个是test_data，即人工标注好的数据。

应用办法: 启动neo4j,mongodb之后，进入demo目录，启动django服务，进入127.0.0.1:8000/tagging即可应用

3.命名实体辨认:

应用thulac工具进行分词，词性标注，命名实体辨认（仅人名，地名，机构名）
为了辨认农业畛域特定实体，咱们须要：

  1. 分词，词性标注，命名实体辨认
  2. 以辨认为命名实体（person，location，organzation）的，若实体库没有，能够标注进去
  3. 对于非命名实体局部，采纳肯定的词组合和词性规定，在O(n)工夫扫描所有分词，过滤掉不可能为农业实体的局部（例如动词必定不是农业实体）
  4. 对于残余词及词组合，匹配知识库中以分好类的实体。如果没有匹配到实体，或者匹配到的实体属于0类（即非实体），则将其过滤掉。
  5. 实体的分类算法见下文。

3.1实体分类：

3.1.1特征提取：

3.1.2分类器：KNN算法

  • 无需示意成向量，比拟类似度即可
  • K值通过网格搜寻失去

  • 定义两个页面的类似度sim(p1,p2)：

    • title之间的词向量的余弦类似度(利用fasttext计算的词向量可能防止out of vocabulary)
    • 2组openType之间的词向量的余弦类似度的平均值
    • 雷同的baseInfoKey的IDF值之和（因为‘中文名’这种属性奉献应该比拟小）
    • 雷同baseInfoKey下baseInfoValue雷同的个数
    • 预测一个页面时，因为KNN要将该页面和训练集中所有页面进行比拟，因而每次预测的复杂度是O(n)，n为训练集规模。在这个过程中，咱们能够统计各个分类似度的IDF值，均值，方差，标准差，而后对4个类似度进行标准化:(x-均值)/方差
    • 下面四个局部的类似度的加权和为最终的两个页面的类似度，权值由向量weight管制，通过10折叠穿插验证+网格搜寻失去

3.2 Labels：（命名实体的分类）

Label NE Tags Example
0 Invalid（不非法） “色调”，“文化”，“景观”，“条件”，“A”，“234年”（不是具体的实体，或一些脏数据）
1 Person（人物，职位） “袁隆平”，“副市长”
2 Location（地点，区域） “福建省”，“三明市”，“大明湖”
3 Organization（机构，会议） “华东师范大学”，“上海市农业委员会”
4 Political economy（政治经济名词） “惠农补贴”，“基本建设投资”
5 Animal（动物学名词，包含畜牧类，匍匐类，鸟类，鱼类，等） “绵羊”，“淡水鱼”，“麻雀”
6 Plant（植物学名词，包含水果，蔬菜，谷物，草药，菌类，动物器官，其余动物） “苹果”，“小麦”，“生菜”
7 Chemicals（化学名词，包含肥料，农药，杀菌剂，其它化学品，术语等） “氮”，“氮肥”，“硝酸盐”，“吸湿剂”
8 Climate（气象，节令） “夏天”，“干旱”
9 Food items（动植物产品） “奶酪”，“牛奶”，“羊毛”，“面粉”
10 Diseases（动植物疾病） “褐腐病”，“晚疫病”
11 Natural Disaster（自然灾害） “地震”，“洪水”，“饥荒”
12 Nutrients（营养素，包含脂肪，矿物质，维生素，碳水化合物等） “维生素A”，”钙”
13 Biochemistry（生物学名词，包含基因相干，人体部位，组织器官，细胞，细菌，术语） “染色体”，“血红蛋白”，“肾脏”，“大肠杆菌”
14 Agricultural implements（农机具，个别指机械或物理设施） “收割机”，“渔网”
15 Technology(农业相干术语，技术和措施) “延后栽培”，“卫生防疫”，“扦插”
16 other（除下面类别之外的其它名词实体，能够与农业无关但必须是实体） “加速度”，“cpu”，“计算机”，“爱鸟周”，“人民币”，“《本草纲目》”，“花岗岩”

4.农业知识图谱关系抽取

应用近程监督办法构建数据集，利用tensorflow训练PCNN模型

4.1关系主动抽取

农业知识图谱关系抽取

  • data

解决数据集，失去关系抽取须要用到的json文件

步骤:

  • 如果以后文件夹下没有filter_train_data_all_deduplication.txt, 那么进入wikidataSpider目录，依据TrainDataBaseOnWiki/readme.md中所述办法，取得filter_train_data_all_deduplication.txt (生成数据工夫比拟长，倡议用公开数据集测试。应用公开数据集，间接从进入Algorithm,疏忽之后所有的操作)
  • 运行python dosomething.py filter_dataset 失去filtered_data.txt
  • 运行python preprocessing.py rel2id 失去rel2id.json
  • 运行python preprocessing.py dataset.json失去dataset.json
  • 运行python preprocessing.py word2vecjson 失去word2vec.json
  • 运行python preprocessing.py entity2id失去entity2id.json
  • 运行python preprocessing.py dataset_split失去train_dataset.json和test_dataset.json

失去的rel2id.json,word2vec.json,entity2id.json,train_dataset.json和test_dataset.json为关系提取算法所需的数据，将其放在algorithm的data/agriculture目录下

4.2 关系提取的算法

关系提取的算法局部,tensorflow实现,代码框架以及PCNN的实现参照https://github.com/thunlp/OpenNRE

更多优质内容请关注公号&知乎：汀丶人工智能；会提供一些相干的资源和优质文章，收费获取浏览。

我的项目码源见文章顶部或文末

我的项目码源点击跳转

本文参加了 SegmentFault 思否写作挑战「摸索编码世界之旅 – 记我的第一份编程工作」，欢送正在浏览的你也退出。

评论

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

这个站点使用 Akismet 来减少垃圾评论。了解你的评论数据如何被处理。

更多文章