G:\\B_Packages\\PycharmProject\\ChineseNRE.zip

基于BiLSTM + Attention实现的简单的关系抽取模型，代码效果并不十分理想，代码上传目的是为大家提供基本的实现思路。

import torch
import torch.nn as nn
import torch.nn.functional as F
torch.manual_seed（1）  #为CPU设置种子用于生成随机数，以使得结果是确定的

class BiLSTM_ATT（nn.Module）:
    def __init__（selfinput_sizeoutput_sizeconfigpre_embedding）:
        super（BiLSTM_ATTself）.__init__（）
        self.batch = config[‘BATCH‘]

        self.input_size = input_size
        self.embedding_dim = config[‘embedDING_DIM‘] # 词向量长度
        
        self.hidden_dim = config[‘HIDDEN_DIM‘]
        self.tag_size = output_size # 最终结果状态数，即分类数
        
        self.pos_size = config[‘POS_SIZE‘]
        self.pos_dim = config[‘POS_DIM‘] #位置编码向量长度
        
        self.pretrained = config[‘pretrained‘]

        if self.pretrained:
            # freeze = False 表示训练过程中会更新这些词向量，默认为True 也就是不更新
            self.word_embeds = nn.embedding.from_pretrained（torch.FloatTensor（pre_embedding）freeze=False）
        else:
            self.word_embeds = nn.embedding（self.input_sizeself.embedding_dim）

        self.pos1_embeds = nn.embedding（self.pos_sizeself.pos_dim） # 实体1的embedding
        self.pos2_embeds = nn.embedding（self.pos_sizeself.pos_dim） # 实体2的embedding
        self.dense = nn.Linear（self.hidden_dimself.tag_sizebias=True）
        self.relation_embeds = nn.embedding（self.tag_sizeself.hidden_dim）

        ‘‘‘
            LSTM 输入变为 pos1_dim + pos2_dim + embedding_dim
            LSTM的output 保存了最后一层，每个time step的输出h，如果是双向LSTM，每个time step的输出h = [h正向 h逆向]
            TODO 这里hidden_size=hidden_dim/2 保证了后面BiLSTM输出的维度为（seq_lenbatch_sizehidden_dim）
            注意hidden_size 与 hidden_dim的区分
            hidden_size是单向的LSTM输出的维度
        ‘‘‘
        self.lstm = nn.LSTM（input_size=self.embedding_dim+self.pos_dim*2hidden_size=self.hidden_dim//2num_layers=1 bidirectional=True）
        self.hidden2tag = nn.Linear（self.hidden_dimself.tag_size）

        ‘‘‘
            在嵌入层，LSTM层和倒数第二层上使用drop_out。 
        ‘‘‘
        self.dropout_emb = nn.Dropout（p=0.5）
        self.dropout_lstm = nn.Dropout（p=0.5）
        self.dropout_att = nn.Dropout（p=0.5）
        
        self.hidden = self.init_hidden（）

        # nn.Parameter 类型表示会算入计算图内进行求梯度
        self.att_weight = nn.Parameter（torch.randn（self.batch1self.hidden_dim））
        self.relation_bias = nn.Parameter（torch.randn（self.batchself.tag_size1））
        
    def init_hidden（self）:
        return torch.randn（2 self.batch self.hidden_dim // 2）
        
    def init_hidden_lstm（self）:
        return （torch.randn（2 self.batch self.hidden_dim // 2）
                torch.randn（2 self.batch self.hidden_dim // 2））
    ‘‘‘
        BiLSTM 最后一层的输出 （seq_lenbatch_sizehidden_dim）
        attention的参数H是经过转置的结果:（batch_sizehidden_dimseq_len）
        attention 目的就是根据不同词得到不同词的权重，然后根据权重组合得到整个句子级别的表示 
    ‘‘‘
    def attention（selfH）:
        M = torch.tanh（H） # 非线性变换 size:（batch_sizehidden_dimseq_len）
        a = F.softmax（torch.bmm（self.att_weightM）dim=2） # a.Size : （batch_size1seq_len）
        a = torch.transpose（a12） # （batch_sizeseq_len1）
        return to

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2019-10-26 19:33  ChineseNRE\
     目录           0  2019-10-30 11:37  ChineseNRE\.idea\
     文件         478  2019-10-24 10:38  ChineseNRE\.idea\ChineseNRE-master.iml
     文件         138  2019-10-24 10:35  ChineseNRE\.idea\encodings.xml
     文件         301  2019-10-24 10:35  ChineseNRE\.idea\misc.xml
     文件         293  2019-10-24 10:35  ChineseNRE\.idea\modules.xml
     文件       29995  2019-10-30 11:37  ChineseNRE\.idea\workspace.xml
     文件        5300  2019-10-26 19:33  ChineseNRE\BiLSTM_ATT.py
     文件        2069  2019-10-26 12:37  ChineseNRE\README.md
     目录           0  2019-10-26 13:52  ChineseNRE\__pycache__\
     文件        3192  2019-10-26 13:52  ChineseNRE\__pycache__\BiLSTM_ATT.cpython-36.pyc
     文件        4628  2019-10-26 10:06  ChineseNRE\__pycache__\main.cpython-36.pyc
     文件         450  2019-10-26 13:46  ChineseNRE\__pycache__\params_config.cpython-36.pyc
     文件        6247  2019-10-26 11:39  ChineseNRE\__pycache__\utils.cpython-36.pyc
     目录           0  2019-10-26 09:50  ChineseNRE\backup\
     文件     2943945  2019-10-26 04:00  ChineseNRE\backup\model_0005_no_drop_att_score55.pkl
     文件     2943943  2019-10-26 01:39  ChineseNRE\backup\model_lr_0001.pkl
     文件     2943959  2019-10-25 23:00  ChineseNRE\backup\model_lr_005.pkl
     目录           0  2019-10-26 12:35  ChineseNRE\data\
     目录           0  2019-10-28 18:45  ChineseNRE\data\people-relation\
     文件        8213  2019-10-28 18:45  ChineseNRE\data\people-relation\data_util.py
     文件         119  2019-10-26 10:13  ChineseNRE\data\people-relation\relation2id.txt
     文件    32392893  2019-04-21 14:41  ChineseNRE\data\people-relation\train.txt
     文件     2909442  2019-10-26 12:35  ChineseNRE\data\people_relation_test.pkl
     文件    13815237  2019-10-26 12:35  ChineseNRE\data\people_relation_train.pkl
     文件     2909442  2019-10-26 12:35  ChineseNRE\data\people_relation_validate.pkl
     文件        9047  2019-10-26 15:41  ChineseNRE\main.py
     目录           0  2019-10-26 15:07  ChineseNRE\model\
     文件     2948058  2019-10-26 15:07  ChineseNRE\model\model_best.pkl
     文件     2948058  2019-10-26 15:07  ChineseNRE\model\model_final.pkl
     文件         772  2019-10-26 13:45  ChineseNRE\params_config.py
............此处省略2个文件信息