快速上手 DeepKE中文知识图谱实体与关系抽取零基础实战指南【免费下载链接】DeepKE[EMNLP 2022] An Open Toolkit for Knowledge Graph Extraction and Construction项目地址: https://gitcode.com/gh_mirrors/de/DeepKE当你手头堆着几百篇新闻、合同或论文想把其中的「人物、公司、事件关系」整理成一张可查询的知识图谱时是不是觉得无从下手开源知识图谱抽取框架DeepKE正是为这个问题而生——它基于 PyTorch把命名实体识别、关系抽取、属性抽取三大任务封装成统一框架让你从原始文本到结构化知识只需几行命令。没有它你卡在哪一步很多人以为建知识图谱最难的是存储和查询其实最磨人的是「抽取」。想象一下你对着 PDF 逐段圈人名、划关系整理成 Excel几百篇就耗尽耐心想训练自己的抽取模型又要自己拼数据管线、调 GPU 环境、写评估脚本光踩坑就能耗掉一周。DeepKE 把这条长路压缩成三步——下数据、跑命令、改配置把「造轮子」的时间省下来让你专注业务本身。30 秒看懂 DeepKE 的整体架构别急着写代码先花 30 秒看这张架构图理解全貌再动手会轻松得多。DeepKE 统一框架NER/RE/AE 三大任务覆盖标准、少样本、文档级等场景由 Data、Model、Core 三层协作图中藏着三个关键信息一是三大任务共用一套框架换任务只换配置、不换骨架二是场景适配完整——标准全监督、低资源少样本、文档级甚至多模态都有对应方案三是每层职责清晰Data 负责分词与预处理Model 负责编码与推理Core 负责训练、评估与预测。读懂了这张图你就掌握了它的设计哲学。一键安装到跑通第一个模型有了整体印象下面直接上手。假设你已装好 Anaconda打开终端依次执行git clone https://gitcode.com/gh_mirrors/de/DeepKE cd DeepKE/example/ner/standard conda create -n deepke python3.8 conda activate deepke pip install -r requirements.txt接着下载官方提供的人民日报 NER 数据集解压后把train.txt、valid.txt、test.txt放进data文件夹然后开始训练python run_bert.py训练完成后把conf/predict.yaml里的模型路径改成刚才生成的 checkpoint运行python predict.py至此你的人名、地名、机构名识别已经可以真实工作了如果连环境都懒得配官方还提供了 Docker 镜像docker pull zjunlp/deepke:latest一步到位。进阶实战把识别精度再拉高一截跑通只是及格想追求更好效果NER 场景强烈推荐W2NER 模型——它在同一测试集上 F1 达到96.43明显高于 BERT 的 92.40F1 是精确率与召回率的综合得分越高越好。它的结构如下图所示。W2NER 通过多粒度膨胀卷积与协同预测捕捉词间关系显著提升实体边界判定的准确度参数方面记住三个经验值用 BERT 训练时把学习率设为2e-5、训练轮数设为10、batch size不小于 64如果数据量小再适当降低学习率避免更新过快。所有参数都集中在conf目录的 yaml 文件里换 GPU 改device想实时监控 loss 就把use_wandb设为 True。如果你连训练都不想做直接上DeepKE-cnSchema 开箱即用版下载预训练模型后即可抽取28 种实体和50 种关系类型最适合快速出 Demo 验证效果。相关代码在example/triple/cnschema目录。新手高频踩坑与常见问题FAQ⚠️ 安装和运行中最常遇到的问题基本都在这了报错ModuleNotFoundError: No module named past执行pip install future即可解决。pip 安装deepke报包版本冲突推荐源码安装pip install -r requirements.txt后执行python setup.py develop同时保证 pip 版本不高于 24.0。改完源码运行没变化必须用python setup.py install/develop方式安装纯 pip 安装不会同步你的修改。下载预训练模型太慢提前下载后放进pretrained目录或配置 HuggingFace 镜像站点。Windows 上路径报错路径分隔符请使用\\官方明确建议用 Linux能省去 80% 的烦恼。什么场景下该选 DeepKE最后帮你做个决策有标注数据、追求精度选标准全监督路线模型池里有 W2NER、PRGC、PURE 等顶会方案标注少、资源有限选 few-shot 少样本路线LightNER、KnowPrompt想快速出原型用 cnSchema 开箱即用版要结合图片做多模态抽取也有现成模块如果你已拥抱大模型时代example/llm目录还提供了 DeepKE-LLM 与 OneKE 方案。无论哪条路都共享同一套数据与评估体系迁移成本极低。下一步克隆仓库跑起来从一篇文本到一张知识图谱DeepKE 把这件事从「不可能」变成了「一个下午就能验证」。现在就行动克隆上面给出的仓库地址从example/ner或example/re挑一个任务跑通再对照docs目录下的文档与幻灯片深入了解四大场景遇到问题直接提 Issue社区维护非常活跃。动手吧你的第一个知识抽取模型正在等你解锁【免费下载链接】DeepKE[EMNLP 2022] An Open Toolkit for Knowledge Graph Extraction and Construction项目地址: https://gitcode.com/gh_mirrors/de/DeepKE创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 快速上手 DeepKE：中文知识图谱实体与关系抽取零基础实战指南
快速上手 DeepKE中文知识图谱实体与关系抽取零基础实战指南【免费下载链接】DeepKE[EMNLP 2022] An Open Toolkit for Knowledge Graph Extraction and Construction项目地址: https://gitcode.com/gh_mirrors/de/DeepKE当你手头堆着几百篇新闻、合同或论文想把其中的「人物、公司、事件关系」整理成一张可查询的知识图谱时是不是觉得无从下手开源知识图谱抽取框架DeepKE正是为这个问题而生——它基于 PyTorch把命名实体识别、关系抽取、属性抽取三大任务封装成统一框架让你从原始文本到结构化知识只需几行命令。没有它你卡在哪一步很多人以为建知识图谱最难的是存储和查询其实最磨人的是「抽取」。想象一下你对着 PDF 逐段圈人名、划关系整理成 Excel几百篇就耗尽耐心想训练自己的抽取模型又要自己拼数据管线、调 GPU 环境、写评估脚本光踩坑就能耗掉一周。DeepKE 把这条长路压缩成三步——下数据、跑命令、改配置把「造轮子」的时间省下来让你专注业务本身。30 秒看懂 DeepKE 的整体架构别急着写代码先花 30 秒看这张架构图理解全貌再动手会轻松得多。DeepKE 统一框架NER/RE/AE 三大任务覆盖标准、少样本、文档级等场景由 Data、Model、Core 三层协作图中藏着三个关键信息一是三大任务共用一套框架换任务只换配置、不换骨架二是场景适配完整——标准全监督、低资源少样本、文档级甚至多模态都有对应方案三是每层职责清晰Data 负责分词与预处理Model 负责编码与推理Core 负责训练、评估与预测。读懂了这张图你就掌握了它的设计哲学。一键安装到跑通第一个模型有了整体印象下面直接上手。假设你已装好 Anaconda打开终端依次执行git clone https://gitcode.com/gh_mirrors/de/DeepKE cd DeepKE/example/ner/standard conda create -n deepke python3.8 conda activate deepke pip install -r requirements.txt接着下载官方提供的人民日报 NER 数据集解压后把train.txt、valid.txt、test.txt放进data文件夹然后开始训练python run_bert.py训练完成后把conf/predict.yaml里的模型路径改成刚才生成的 checkpoint运行python predict.py至此你的人名、地名、机构名识别已经可以真实工作了如果连环境都懒得配官方还提供了 Docker 镜像docker pull zjunlp/deepke:latest一步到位。进阶实战把识别精度再拉高一截跑通只是及格想追求更好效果NER 场景强烈推荐W2NER 模型——它在同一测试集上 F1 达到96.43明显高于 BERT 的 92.40F1 是精确率与召回率的综合得分越高越好。它的结构如下图所示。W2NER 通过多粒度膨胀卷积与协同预测捕捉词间关系显著提升实体边界判定的准确度参数方面记住三个经验值用 BERT 训练时把学习率设为2e-5、训练轮数设为10、batch size不小于 64如果数据量小再适当降低学习率避免更新过快。所有参数都集中在conf目录的 yaml 文件里换 GPU 改device想实时监控 loss 就把use_wandb设为 True。如果你连训练都不想做直接上DeepKE-cnSchema 开箱即用版下载预训练模型后即可抽取28 种实体和50 种关系类型最适合快速出 Demo 验证效果。相关代码在example/triple/cnschema目录。新手高频踩坑与常见问题FAQ⚠️ 安装和运行中最常遇到的问题基本都在这了报错ModuleNotFoundError: No module named past执行pip install future即可解决。pip 安装deepke报包版本冲突推荐源码安装pip install -r requirements.txt后执行python setup.py develop同时保证 pip 版本不高于 24.0。改完源码运行没变化必须用python setup.py install/develop方式安装纯 pip 安装不会同步你的修改。下载预训练模型太慢提前下载后放进pretrained目录或配置 HuggingFace 镜像站点。Windows 上路径报错路径分隔符请使用\\官方明确建议用 Linux能省去 80% 的烦恼。什么场景下该选 DeepKE最后帮你做个决策有标注数据、追求精度选标准全监督路线模型池里有 W2NER、PRGC、PURE 等顶会方案标注少、资源有限选 few-shot 少样本路线LightNER、KnowPrompt想快速出原型用 cnSchema 开箱即用版要结合图片做多模态抽取也有现成模块如果你已拥抱大模型时代example/llm目录还提供了 DeepKE-LLM 与 OneKE 方案。无论哪条路都共享同一套数据与评估体系迁移成本极低。下一步克隆仓库跑起来从一篇文本到一张知识图谱DeepKE 把这件事从「不可能」变成了「一个下午就能验证」。现在就行动克隆上面给出的仓库地址从example/ner或example/re挑一个任务跑通再对照docs目录下的文档与幻灯片深入了解四大场景遇到问题直接提 Issue社区维护非常活跃。动手吧你的第一个知识抽取模型正在等你解锁【免费下载链接】DeepKE[EMNLP 2022] An Open Toolkit for Knowledge Graph Extraction and Construction项目地址: https://gitcode.com/gh_mirrors/de/DeepKE创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考