科大讯飞大赛 事件抽取挑战赛冠军分享
赛题名称：科大讯飞事件抽取挑战赛
赛题链接：http://challenge.xfyun.cn/topic/info?type=hotspot
赛题类型：NLP、事件抽取
文章内容：冠军思路+代码分享
事件抽取系统，包含触发词（trigger），事件论元（role），事件属性（attribution）的抽取。基于 Pytorch 的 pipeline 解决方案。
赛题介绍
赛题背景
事件抽取将非结构化文本中的事件信息展现为结构化形式，在舆情监测、文本摘要、自 动问答、事理图谱自动构建等领域有着重要应用。在真实新闻中，由于文本中可能存在句式 复杂，主被动转换，多事件主客体共享等难点，因此“事件抽取”是一项极具挑战的抽取任 务。
赛事任务
本赛事任务旨在从通用新闻文本中抽取事件触发词、事件论元以及事件属性。在传统的事件定义中，事件由事件触发词( Trigger) 和描述事件结构的元素 (Argument)构成。事件触发词标识着事件的发生。事件论元为事件主体(Subject)、客体(Object)、时间(Time)、地点(Location)等，是表达事件重要信息的载体。
事件属性包括事件极性（Polarity）、时态(Tense)，是衡量事件是否真实发生的重要依据。通过极性，事件分为肯定、否定、可能事件。通过时态，事件分为过去发生的事件、现在正 在发生的事件、将要发生的事件以及其他无法确定时态的事件。
本赛事任务一为初赛任务，任务二为复赛任务，在任务一的基础上增加了事件属性识别。为 了模拟真实场景，数据中包含了非实际发生的事件。
任务一：事件触发词及论元抽取
该任务旨在从文本中抽取标识事件发生的触发词和论元，触发词往往为动词和名词。触发词 对应的事件论元，主要为主体、客体、时间、地点，其中主体为必备论元。
任务二：事件属性抽取
该任务旨在从文本中抽取表达事件发生状态的属性，包括极性、时态。极性分为：肯定、否定、可能；时态分为：过去、现在、将来、其他。
评审规则
初赛数据说明：本次比赛初赛为参赛选手提供了6958条中文句子，及其9644条提取结果（存在一对多的情况）。
复赛数据说明：本次比赛复赛为参赛选手提供了3335条中文句子，及其3384条提取结果（存在一对多的情况）：
评价指标：本模型依据提交的结果文件，采用F值进行评价。
冠军思路
将任务分割为触发词抽取，论元抽取，属性抽取。具体而言是论元和属性的抽取结果依赖于触发词，因此只有一步误差传播。
因 time loc 并非每个句子中都存在，并且分布较为稀疏，因此将 time & loc 与 sub & obj 的抽取分开（role1 提取 sub & obj；role2 提取 time & loc）
模型先进行触发词提取，由于复赛数据集的特殊性，模型限制抽取的事件仅有一个，如果抽取出多个触发词，选择 logits 最大的 trigger 作为该句子的触发词，如果没有抽取触发词，筛选整个句子的 logits，取 argmax 来获取触发词；
然后根据触发词抽取模型抽取的触发词，分别输入到 role1 & role2 & attribution 模型中，进行后序的论元提取和属性分类；四种模型都是基于 Roberta-wwm 进行实验，加入了不同的特征。最后将识别的结果进行整合，得到提交文件。
pipeline 思路
trigger 提取器：
trigger 提取采用的特征是远程监督 trigger，把所有标注数据当做一个知识库，对当前文本进行匹配。
注：在训练时，需要排除自身的label，我们采用的是KFold的训练集 distant trigger 构造，即将训练集分成K份，用前K-1份的所有label当做后一份的知识库，构造训练数据的distant trigger；test 时候采用所有 trigger。
在测试时若出现预测为空，选取 distant trigger logits 最大的解码输出 trigger。
具体模型如下：
role 提取器
role 采用的特征是trigger的相对距离，然后采用了苏神的 Conditional Layer Norm 来让整个句子融入 trigger 信息，同样采用 Span 解码的方式。
由于数据中 subject/object 分布相似，同时与 time/loc 分布相差很大，我们进一步进行了优化，将前两者和后两者的抽取分开，防止 time/loc 的数据对 subject/object 的 logits 稀疏化。
attribution 分类器
attribution 分类器并没有进行特殊优化，采用了一个动态窗口的方法，我们认为某一 trigger 的 tense & polarity 只与其附近的语境有关。
因此我们设定了一个窗口，对该窗口内进行 pooling 操作，然后利用 pooling 后的 logits 进行多任务学习，同时分类出 tense 和 polarity。因属性数据类别不均及其严重，最后我们用 ERNIE 模型做了一个10折交叉验证，有较大的提升。
数据增强
本次比赛主要的上分点在于数据增强的工作，初赛和复赛数据的分布差别极大，一起训练反而会导致结果下降。
因此我们做了一个初赛数据筛选的工作，筛选出与复赛数据分布相近的数据进行增量训练。主要流程详见PPT中基于标签验证的数据增强部分。
项目运行主要环境
运行系统：
Ubuntu 18.04.4
python3.7
python 运行环境，可以通过以下代码完成依赖包安装：
pip install -r requirements.txttransformers==2.10.0
pytorch_crf==0.7.2
numpy==1.16.4
torch==1.5.1+cu101
tqdm==4.46.1
scikit_learn==0.23.2
torchcrf==1.1.0
CUDA:
CUDA Version: 10.2 Driver 440.100 GPU：Tesla V100 (32G) * 2项目目录说明
xf_ee
├── data # 数据文件夹
│ ├── final # 复赛数据(处理过的)
│ │ ├── mid_data # 中间数据 （词典等）
│ │ ├── preliminary_clean # 清洗后的初赛数据
│ │ └── raw_data # 复赛经过初步清洗后的 raw_data
│ └── preliminary # 初赛数据（略）
│
├── out # 存放训练的模型
│ ├── final # 复赛各个单模型（trigger/role/attribution）
│ └── stack # 十折交叉验证的 attribution 模型
│
├── script/final # 放训练 / 评估 / 测试 的脚本
│ ├── train.sh
│ ├── dev.sh
│ └── test.sh
│
├── src_final
│ ├── features_analysis # 数据分析
│ │ └── images # 分析时画得一些图
│ ├── preprocess
│ │ ├── convert_raw_data.py # 处理转换原始数据
│ │ ├── convert_raw_data_preliminary.py # 转换初赛数据为复赛格式并处理
│ │ └── processor.py # 转换数据为 Bert 模型的输入
│ ├── utils
│ │ ├── attack_train_utils.py # 对抗训练 FGM / PGD
│ │ ├── dataset_utils.py # torch Dataset
│ │ ├── evaluator.py # 模型评估
│ │ ├── functions_utils.py # 跨文件调用的一些 functions
│ │ ├── model_utils.py # 四个任务的 models
│ │ ├── options.py # 命令行参数
│ | └── trainer.py # 训练器
|
├── 答辩PPT # 决赛PPT
├── dev.py # 用于模型评估
├── ensemble_predict.py # 用百度 ERNIE 模型对 attribution 十折交叉验证
├── predict_preliminary.py # 对初赛数据进行清洗
├── readme.md # ...
├── test.py # pipeline 预测复赛数据 （包含 ensemble）
└── train.py # 模型训练
使用说明
数据转换
数据转换部分只提供代码和已经转换好的数据，具体操作在 src_final/preprocess中的 convert_raw_data中，包含对初赛/复赛数据的清洗和转换。
训练阶段
bash ./script/final/train.sh注：脚本中指定的 BERT_DIR 指BERT所在文件夹，BERT采用的是哈工大的全词覆盖wwm模型，下载地址 https://github.com/ymcui/Chinese-BERT-wwm ，自行下载并制定对应文件夹，并将 vocab.txt 中的两个 unused 改成 [INV] 和 [BLANK]（详见 processor 代码中的 fine_grade_tokenize）
如果设备显存不够，自行调整 train_batch_size，脚本中的 batch_size（32）在上述环境中占用显存为16G
最终训练的结果是每一个 epoch 下存一次，线下评估结果在 eval_metric.txt 下，保留最优线下结果作为训练结果，其余删掉即可
可更改的公共参数有
lr: bert 模块的学习率
other_lr: 除了bert模块外的其他学习率（差分学习率）
weight_decay：...
attack_train： 'pgd' / 'fgm' / '' 对抗训练 fgm 训练速度慢一倍, pgd 慢两倍，但是效果都有提升
swa_start: 滑动权重平均开始的epoch
trigger提取模型训练 （TASK_TYPE=“trigger”）
可更改的参数有
use_distant_trigger: 是否使用复赛数据构造的远程监督库中的 trigger 信息role 提取模型训练 （TASK_TYPE=“role1/role2”）
可更改的参数有
use_trigger_distance: 是否使用句子中的其他词到 trigger 的距离这一个特征
attribution 分类模型训练 （TASK_TYPE=“attribution”）
未使用其他特征
MODE=“stack” 时候对 attribution 任务进行十折交叉验证，换用百度 ERNIE1.0 模型作为预训练模型
验证阶段
bash ./script/final/dev.sh主要的参数有三个：
TASK_TYPE：需要验证任务的 type start/end threshold ：trigger / role1 model 需要进行调整的阈值 dev_dir: 需要验证的模型的文件夹
测试阶段
bash ./script/final/test.sh
利用训练最优的四个单模型进行 pipeline 式的预测 sentences.json 文件，获取最终的 submit 文件，
其中 submit_{version},json 为四个单模型的结果， submit_{version}ensemble,json 为单模型 + attribution 交叉验证后的结果。
四个任务 model 的上级文件夹必须指定，同时文件夹名称应包含模型的参数特征。
trigger_ckpt_dir： trigger 所在的文件夹 role1_ckpt_dir： role1 所在的文件夹 role2_ckpt_dir： role2 所在的文件夹 attribution_ckpt_dir： attribution所在的文件夹
测试效果
| classification | score |
|---|---|
| submit_v1.json | 0.73684 |
| submit_v1_ensemble.json | 0.73859 |
各阶段提升
数据增强
在我们的训练过程中，实际使用了组委会提供的初赛(经过清洗和转换)+复赛数据进行训练，在项目内部提供了清洗完毕的初赛数据；具体清洗流程如下所示：
只使用复赛数据train得到trigger抽取模型和role1抽取模型(需指定model的上级文件夹)
trigger_simple_ckpt_dir： 单独复赛数据train trigger 所在的文件夹role1_simple_ckpt_dir： 单独复赛数据train role1 所在的文件夹
使用predict_prelimiary.py调用train好的trigger model 和role1 model 预测初赛数据的trigger和sub/ob
python predict_preliminary.py --dev_dir_trigger trigger_simple_ckpt_dir --dev_dir_role role1_simple_ckpt_dir运行src_final/preprocess下的convert_raw_data_preliminary.py
python convert_raw_data_preliminary.py
运行src_final/preprocess下的convert_raw_data.py 即完成了初赛数据的清洗
python convert_raw_data.py由于微信平台算法改版，公号内容将不再以时间排序展示，如果大家想第一时间看到我们的推送，强烈建议星标我们和给我们多点点【在看】。星标具体步骤为：
（1）点击页面最上方'AINLP'，进入公众号主页。
（2）点击右上角的小点点，在弹出页面点击“设为星标”，就可以啦。
感谢支持，比心
。