基于rasa的litemind自然语言处理工程

t1 指代消解 > coref

• 组织方式

  分词-> 词性标注-> 句法分析 实体识别-> 人实体性别判断 -> 指代匹配策略

• 目前优化点

  增加人名实体的识别精度, 人名-> 性别

t2 话单入图 > call2graph

• 组织方式

  pass

• 目前优化点

  pass

问题:

实体识别不够精准

1) 目前采用ltp提供的单一实体识别;
2) 缺乏其他广泛实体的识别;
3) 融合多种实体抽取工具;

姓名属性不够精确

1) 性别判断难度比较大, 模型的准确率有限;
2) 需要融入规则字典来解决常用名的性别识别;

匹配策略亟待优化

1) 采用实体-代词依赖词、上下文相似度;
2) 需要考虑其他更多可能的情景;

安装部署

• 避免多余依赖的引入，最好是用virtualenv创建一个隔离环境

  which python3 # 查找py3的安装路径 /usr/local/bin/python3 -m virtualenv .env # 创建虚拟py3环境 virtualenv .env --python==/usr/local/bin/python3 # 创建虚拟py3环境

• 获取当前项目的所有依赖，进入隔离环境，将项目的依赖项完整下载：

  source .env/bin/activate # 开启虚拟环境 pip install pip2pi # 离线导包工具 mkdir dependences # 存放依赖包的地方 pip2pi ./dependences --no-use-wheel -r requirements.txt # 根据requirements.txt 导出依赖包 pip2pi ./dependences -r requirements.txt # 根据requirements.txt 导出依赖包

3. 将下载好的依赖项放在服务器，执行命令安装依赖，第一遍安装可能跳过某些依赖项，可以多次执行这个命令：

   which python3 # 查找py3的安装路径 /usr/local/bin/python3 -m virtualenv .env # 创建虚拟py3环境 pip install --no-index --find-links=./dependences -r requirements.txt # 新服务器环境下导入依赖包

服务及演示

python -m server --path models

实体抽取

http://localhost:5007/entity?text=李世民病倒了，小明说他是累病的

指代消解

http://localhost:5007/coref?text=李世民病倒了，小明说他是累病的

属性链接

http://localhost:5007/link?text=小明，男，身高180cm，上个月去北京站坐G22到新疆，与他同行的有30岁的小黑，他们开着一辆白色法拉利逃跑

关系抽取

http://localhost:5000/relation?text=小明生病了，他的阿姨王兰在照顾他

属性连接

先训练

python -m train -c sample_configs/config_entity_online.yml -d data/entity/example -o models/ --project entity

python -m train -c sample_configs/config_coref_online.yml -d data/entity/example -o models/ --project coref

python -m train -c sample_configs/config_link_online.yml -d data/entity/example -o models/ --project link

python -m train -c sample_configs/config_relation_online.yml -d data/entity/example -o models/ --project relation