程序清单

• main.py：主程序
• model.py：模型
• gen_data.py：生成训练数据
• data.py：模型读入数据的辅助函数
• interface.py：接口
• util.py：清洗数据的辅助函数
• utils.py：抽取的辅助函数

主程序

train

python main.py --mode=train

test（通常不用）

python main.py --mode=train

模型

共 12 个 Tag：

• PER - Person
• ADR - Address
• AFF - Affiliation
• TIT - Title
• JOB - Job
• DOM - Domain
• EDU - Education
• WRK - Work
• SOC - Social
• AWD - Award
• PAT - Patent
• PRJ - Project

这个模型基本上引用 https://github.com/Determined22/zh-NER-TF 的，这个模型是只提取 Person, Address 和 Affiliation 的。所以在它的基础上把模型扩展了一下。考虑到模型的效果，PER, ADR, AFF 使用原来模型和 pertrained 的参数，而剩下 9 个 Tag 使用我们扩展的模型。

Model.py 中定义了两个模型

• BiLSTM_CRF

  在原来模型的基础上，在 BiLSTM 前加了一层 LSTM。用于抽取 TIT, JOB, DOM, EDU, WRK, SOC, AWD, PAT, PRJ。

• Original_model

  这是原来的模型，用于抽取 PER, ADR, AFF。

数据

gen_data.py 把各个文档读入并进行清理和标注，生成训练数据

主要函数如下：

• clean_text：清理文字

• tagging：标记数据成以下形式，O 代表没有意义。

  在	O
  新	B-ADR
  加	I-ADR
  坡	I-ADR
  工	O
  作	O
  

data.py 主要是负责模型读入和解释数据，如果要改变模型预测的 Tag ，主要需要修改的是 Tag2Label。

接口

• print_tag：

  对抽取出来的 list 进去重重等清理并打印

• extract_one：

  使用 BiLSTM_CRF 模型和 pre-trained 参数抽取 TIT, JOB, DOM, EDU, WRK, SOC, AWD, PAT, PRJ。

• extract_one_3：

  使用 Original_model 模型和 pre-trained 参数抽取 PER, ADR, AFF。

• interface：

  分别调用 extract_one 和 extract_one_3 函数抽取总共 12 个 Tag。

辅助函数

utils.py 主要用到的函数是 get_entity 和 get_name_entity。

• get_name_entity(name, tag_seq, char_seq)：对模型得出的结果进行抽取，name 是代表要抽取的 Tag 的名字。

• get_entity：

  调用 get_name_entity 对各个 Tag 进行抽取。