开源MIT协议，基于深度学习的开源中文知识图谱抽取与构建框架

一、开源项目简介

DeepKE 是一个开源的知识图谱抽取与构建工具，支持cnSchema、低资源、长篇章、多模态的知识抽取工具，可以基于PyTorch实现命名实体识别、关系抽取和属性抽取功能。

二、开源协议

使用MIT开源协议

三、界面展示

四、功能概述

具体功能介绍

备注（常见问题）

1. 使用 Anaconda 时，建议添加国内镜像，下载速度更快。如镜像。
2. 使用 pip 时，建议使用国内镜像，下载速度更快，如阿里云镜像。
3. 安装后提示 ModuleNotFoundError: No module named ‘past’，输入命令 pip install future 即可解决。
4. 使用语言预训练模型时，在线安装下载模型比较慢，更建议提前下载好，存放到 pretrained 文件夹内。具体存放文件要求见文件夹内的 README.md。
5. DeepKE老版本位于deepke-v1.0分支，用户可切换分支使用老版本，老版本的能力已全部迁移到标准设定关系抽取(example/re/standard)中。
6. 推荐使用python setup.py install方式安装DeepKE,如未使用该方式安装，源码修改部分不会生效,见问题
7. 更多的低资源抽取工作可查阅论文 Knowledge Extraction in Low-Resource Scenarios: Survey and Perspective.
8. 确保使用requirements.txt中对应的各依赖包的版本。

五、技术选型

模型架构

Deepke的架构图如下所示

• DeepKE为三个知识抽取功能（命名实体识别、关系抽取和属性抽取）设计了一个统一的框架
• 可以在不同场景下实现不同功能。比如，可以在标准全监督、低资源少样本、文档级和多模态设定下进行关系抽取
• 每一个应用场景由三个部分组成：Data部分包含Tokenizer、Preprocessor和Loader，Model部分包含Module、Encoder和Forwarder，Core部分包含Training、Evaluation和Prediction

环境依赖

python == 3.8

• torch == 1.5
• hydra-core == 1.0.6
• tensorboard == 2.4.1
• matplotlib == 3.4.1
• transformers == 3.4.0
• jieba == 0.42.1
• scikit-learn == 0.24.1
• pytorch-transformers == 1.2.0
• seqeval == 1.2.2
• tqdm == 4.60.0
• opt-einsum==3.3.0
• ujson