词矩阵 word.npy
头实体位置矩阵 pos1.npy
尾实体位置矩阵 pos2.npy
关系矩阵 rel.npy
长度矩阵 length.npy
实体对文件 entpair2scope.json
关系文件 relfact2scope.json
词向量矩阵 mat.npy
词-id文件 word2id.json
0.数据
self.ori_data #将原始的句子信息都加载进来
sentence
head
tail
relation
训练集：关系-18409 实体对-279915 句子-522611
测试集：关系-1950 实体对-96678 句子-172448
1.模型需要的输入
word 50维
pos1 5维
pos2 5维
label
ins_label
length 每个真实句子的实际长度
scope
2.Embedding层
word 50维
pos1 5维
pos2 5维
word_pos_embedding = [word;pos1;pos2] = 60维
3.Encoder层
pcnn
cnn
rnn
birnn
4.Selector层
att
ave
one
cross_max
5.Classifier分类层
self._loss = nrekit.network.classifier.softmax_cross_entropy(self._train_logit, self.label, self.rel_tot, weights_table=self.get_weights())
softmax_cross_entropy交叉熵损失函数--多分类问题
