NLP | SimKGC论文详解及项目实现

news2024/11/15 21:24:01

本文主要讲解了论文SimKGC：基于预训练语言模型的简单对比KGC的论文总结以及项目实现。

论文题目：2022_SimKGC: Simple Contrastive Knowledge Graph Completion with Pre-trained Language Models

论文地址：2022.acl-long.295.pdf (aclanthology.org)

代码地址：intfloat/SimKGC: ACL 2022, SimKGC: Simple Contrastive Knowledge Graph Completion with Pre-trained Language Models (github.com)

1.论文主要内容

更多可参考【1】

KG通常由三元组(h,r,t)组成，其中h是头实体，r是关系，t是尾实体。
受对比学习的启发，引入三种类型的负采样来提升基于文本的KGC方法
- 批内负采样(IB)
- 批前负采样(PB)
- 自我负采样(SN)
如果两个实体在知识图谱中通过一条短路径连接，两个实体更有可能相互关联。但是基于文本的KGC方法严重依赖语义匹配，而在一定程度上忽略了这种拓扑偏差，因此本文提出一种简单的重排策略(提高头实体的k跳邻居的分数)，来缓解此类现象。

2.项目实现

2.0.环境配置

[我的：Ubuntu20.04+torch2.0.0+cuda11.6]

git clone https://github.com/intfloat/SimKGC
cd SimKGC
pip install scipy

2.1.下载数据集

代码中使用了三种数据集

本文只使用一种，也就是wn18rr。项目中提供了脚本文件进行下载并进行数据处理。

bash scripts/preprocess.sh WN18RR

会生成json文件

其中entities.json为实体字典，relations.json为关系，

2.2.训练模型

训练模型并指定输出目录

OUTPUT_DIR=./checkpoint/wn18rr/ bash scripts/train_wn.sh

如果运行出错请参考【PS1】,成功的话会打印模型结构参数等

默认是50个epoch,

checkpoint 保存为mdl文件

2.3.验证

bash scripts/eval.sh ./checkpoint/wn18rr/model_last.mdl WN18RR

评价标准为MRR【3】

只训练了18个epoch,结果与论文中相似~

3.代码详解

3.1.models.py

使用模型CustomBertModel

使用bert的预训练权重，微调模型，返回知识图谱三要素的向量（logits，labels，hr_vector, tail_vector,head_vector）

3.2.trainer.py

输入：head_id, relation, tail_id

round()

使用方法：round(number,digits)

digits>0，四舍五入到指定的小数位
digits=0, 四舍五入到最接近的整数
digits<0 ，在小数点左侧进行四舍五入
如果round()函数只有number这个参数，等同于digits=0
四舍五入规则：

要求保留位数的后一位<=4，则舍去3，如5.214保留小数点后两位，结果是5.21
要求保留位数的后一位“=5”，且该位数后面没有数字，则不进位，如5.215，结果为5.21
要求保留位数的最后一位“=5”，且该位数后面有数字，则进位，如5.2151，结果为5.22
要求保留位数的最后一位“>=6”，则进位。如5.216，结果为5.22

3.3.evaluate.py

定义平均秩和mrr的算法

3.4.triplet.py

知识图谱中三元组定义，实体id,实体名，实体描述都为字符串。

在实体字典中，包含了EntityDict，LinkGraph的基础定义。

3.5.proprocess.py

定义了三个数据集的数据预处理方法

过程中遇到的问题与解决【PS】

【PS1】RuntimeError: Failed to import transformers.models.bert.modeling_bert because of the following error (look up to see its traceback):too many values to unpack (expected 4)

系统默认模型

修改/SimKGC/scripts/train_wn.sh 脚本文件后

显示ValueError: too many values to unpack (expected 4)

参考CUDA setup · Issue #95 · TimDettmers/bitsandbytes (github.com)

#先查看自己nvcc版本
nvcc --version

#根据自己的版本去修改
git clone https://github.com/TimDettmers/bitsandbytes
cd bitsandbytes
CUDA_VERSION=116 make cuda11x
python setup.py install