2019 Language and Intelligence Challenge, Information Extraction

2019语言与智能技术竞赛(2019 Language and Intelligence Challenge)，信息抽取赛道(Information Extraction),http://lic2019.ccf.org.cn/kg，竞赛代码分享。

1.词向量来源于https://github.com/Embedding/Chinese-Word-Vectors，在此表示感谢！

2.运行脚本./embedding.py，抽取出字向量，保存在./data_deal中

1.运行脚本./preprocess.py在./data_deal中生成预处理结果，提供部分预处理数据，主要包含：

• tokenizer.pkl，文本编码信息，推断test2数据会需要
  
• tokenizer_pos.pkl，词性编码信息(数据中有缺失，用n替代)，推断test2数据会需要
  
• p.pkl，spo关系编码，后续训练和推断都基于此
  
• ./7000/xxx_data_process.pkl，预处理转换，后续训练和推断都基于此
  

1.运行脚本./train.py，自行修改路径和epochs等参数

2.模型和每次的预测结果都保存在./models/7000中，后续ensemble需要

1.运行脚本./submit_dev.py，查看验证集ensemble情况

2.运行脚本./submit_test.py，获取测试集ensemble结果用于提交(内含规则等，暂不公开)

1.模型和苏剑林比赛开源的baseline一致，在参数完全相同、不使用预训练的情况下，苏剑林的模型(keras)f1=0.76，本模型(pytorch)f1=0.81，和部分赛友交流过差不多，原因不详，再次对苏剑林同学开源模型思路表示感谢；

2.使用预训练词向量，百度百科效果最好，字保留数量=7000，我还使用了了人民日报和搜狗新闻，用于最后投票集成，单模得分没有用官方脚本，详见https://github.com/renjunxiang/lic2019_ie/blob/master/other/evaluate.xlsx；

3.词性信息(POS)对实体有效截取有帮助，f1可以提高0.003-0.005，单模f1在0.83-0.84左右；

4.集成投票对整体得分有显著提高(原则上是模型越多越能接近极限，由于时间原因最后只用了116个模型，1080ti*2推断需要60小时)，f1提高约0.02-0.03，极限水平约0.86；

5.规则对整体得分有显著提高，f1提高约0.015，极限水平约0.875；

6.尝试过ResNet、attention、transformer编码和BERT，效果比较差，大概是姿势不对QAQ；

7.最后有一个不是很合适，但可以提高得分的方法，对未到投票阈值的spo，计算s、p、o等的频数、比例等信息，再训练一个二分类器(SVM，准确率约72%)，f1可以提高约0.0005-0.001

PS:比赛代码修改后在服务器上执行，本地代码不保证没问题，如有问题请自行debug，再次对主办方开放数据集表示感谢！