| 文件（来源） | 样本 |
|---|---|
| com2abbr.txt（原始） | 沙河实业股份有限公司 沙河股份 |
| stock.sql（原始） | [stock_code,ChiName,ChiNameAbbr] ('000001', '平安银行股份有限公司', '平安银行'); |
| rel_per_com.txt（原始） | 非独立董事 刘旭 湖南博云新材料股份有限公司 |
| kg_company_management.sql（原始） | [stock_code, manager_name,manager_position…]（主要部分） |
| per_com.txt（原始） | 董事 深圳**农大科技股份有限公司 刘多宏 |
| rel_per_com.txt（由前面两个生成） | 非独立董事 刘旭 湖南博云新材料股份有限公司 |
运行preprocess.py的get_initial_sample()，主要包括
-
初步整理原始文本
包括去掉不必要的符号、将数字用NUM替换等 -
整理远程监督的数据
得到职位相关的数据，包括所有的人和公司，放在per_pool中和com_pool中以及具有职位关系的三元组rel_per_com -
初步采样
通过远程监督进行采样，目前的设定是遍历所有句子，如果两实体出现在句子中且二者在rel_per_com中有关系，则标记为正样本；不在rel_per_com 中的两实体标记为负 -
规则过滤数据
噪音来源：- 远程监督数据源自身的噪音，如人名为‘智慧’
- 一人多职位，
- 如句子“B为A的实际控股人” ，在rel_per_com 中有「A,B,董事长」 ，句子会被标记为董事长的正样本
- 静态的远程监督数据源和随时间动态变化的职位关系之间的冲突，
- 对句子“A曾任B的董事长”，在 rel_per_com 中有「A,B,董事长」，句子会被标记为董事长的正样本
- 对句子“任命A为B的总裁”，在 rel_per_com 中关于「A,B」 的关系只有「A,B,副总裁」，句子也会被标记为副总裁的正样本
- 对句子“任命A为B的总裁”，句子中有于「A,B」，但是在 rel_per_com 中没有任何于「A,B」的职位信息，会被标记为负样本
- ...
正样本过滤:
- 关系关键词必须在句子中，考虑一人多职位
负样本过滤:
- 正则表达式识别‘A的董事长B‘这种类型的句子，回标为正样本
- 远程监督本身的噪音，如在per_pool 中有「周建灿」和「周建」，有句子“金盾董事长周建灿”，直接的实体链接会标出「金盾董事，周建，董事长」
- 运行
preprocess.py的train_preprocess()，生成训练数据 - 运行
python train.py，模型存在../model下 - 参数在
config.py中进行配置，包括GPU_ID, learning_rate等
- 运行
preprocess.py的predict_preprocess()，生成可以输入模型的数据 - 运行
python test.py，结果保存在../result下
考虑到实验效果，目前使用多个二分类模型
参考：Lin et al. (2017).
输入：句子，两实体及相应的位置信息，用于判断并列语句的辅助信息序列
输出：是否具有相应关系
