Skip to content

Latest commit

 

History

History
148 lines (131 loc) · 5.98 KB

README.md

File metadata and controls

148 lines (131 loc) · 5.98 KB
Raw

OpenKS（知目）——领域可泛化的知识学习与计算平台

平台支持功能

基础能力 领域泛化能力 跨领域能力 现实问题解决能力 开放服务使用能力
知识图谱载入与构建 领域启发式知识表示处理与推理应用 跨领域知识融合表示学习与推理（待支持） 大规模高效率知识图谱学习与推理 前沿算法集成与高性能模型调用
知识图谱表示与学习 通用分布式知识表示学习与推理应用 跨模态知识统一表示学习与推理（待支持） 隐私安全知识图谱联合学习与推理 典型知识图谱应用系统开发使用
知识图谱推理与应用 领域场景高质量开放数据集提供

模块架构

architect

环境要求

各模块及其依赖第三方库如下

模块 依赖
all Python 3.7 / NumPy - 1.19.5 (https://github.com/numpy/numpy) / NetworkX - 2.4 (https://github.com/networkx/networkx)
models scikit-learn - 0.22.1 (https://github.com/scikit-learn/scikit-learn)
distributed PGL - 2.1.5 (https://github.com/PaddlePaddle/PGL) / Paddle - 1.8.5 (https://github.com/paddlepaddle/paddle)
models.paddle Paddle - 1.8.5 (https://github.com/paddlepaddle/paddle)
models.pytorch PyTorch - 1.7.1 (https://github.com/pytorch/pytorch)
models.tensorflow TensorFlow - 1.14.0 (https://github.com/tensorflow/tensorflow)
models.pytorch.kg_learn_dist Ray - 1.0.0 (https://github.com/ray-project/ray)
models.mllib gensim - 3.8.3 (https://github.com/RaRe-Technologies/gensim) / jieba - 0.42.1 (https://github.com/fxsjy/jieba)
market onnx - 1.7.0 (https://github.com/onnx/onnx)

快速上手

知识图谱问答

python -m examples.kg_qa.py

文本信息抽取训练

python -m examples.text_entity.py

python -m examples.text_keyphrase.py

知识图谱表示学习训练

python -m examples.kg_learn.py

分布式图表示模型训练(Ray)

python -m examples.kg_dist_learn.py

分布式图表示模型训练(Fleet)

python openks/distributed/openKS_launcher.py --mode cpu --worker_num 2 --server_num 2 main_dist.py

使用说明

  1. 图谱数据载入与图谱结构生成
from openks.loaders import loader_config, SourceType, FileType, GraphLoader

# 使用loader_config配置数据载入参数，包括数据来源（本地文件/图数据库）、数据文件格式类型（OpenKS格式/压缩目录）、文件路径、数据集名称等
loader_config.source_type = SourceType.LOCAL_FILE
loader_config.file_type = FileType.OPENKS
loader_config.source_uris = 'openks/data/medical'
loader_config.data_name = 'test-data-set'

# 数据文件载入为内存数据集格式，并进行数据集信息展示
loader = Loader(loader_config)
dataset = loader.dataset
dataset.info_display()

# 知识图谱数据内存数据格式载入，并进行图谱信息展示（可以不进行数据集载入而直接进行图谱载入）
graph_loader = GraphLoader(loader_config)
graph = graph_loader.graph
graph.info_display()

from py2neo import Graph

# 可以将内存图谱数据写入neo4j图数据库中用于下游任务
graph_db = Graph(host='127.0.0.1', http_port=7474, user='neo4j', password='123456')
graph_loader.graph2neo(graph, graph_db, clean=False) # clean为False表示不进行清空，True为清空并重新导入
  1. 图谱表示学习模型训练
from openks.models import OpenKSModel

# 列出已注册的所有算法模型
OpenKSModel.list_modules()

# 算法模型选择配置，包括框架选择、模型大类选择、算法选择等
platform = 'Paddle'
model_type = 'KGLearn'
model = 'TransE'

# 算法模型加载与训练（如需要分布式训练，需配置run方法的参数，如run(dist=True)）
model_type = OpenKSModel.get_module(platform, model_type)
kgmodel = model_type(graph=graph, model=OpenKSModel.get_module(platform, model), args=None)
kgmodel.run(dist=False)
  1. 知识图谱问答
from openks.apps.qa import RuleParserMedical, AnswerFetcher

# 选择自定义的问题解析类并进行规则和模型预加载
parser = RuleParserMedical(graph)

# 输入问题并对问题进行结构化解析
question = input("输入问题：")
struc_q = parser.parse(question)

# 根据结构化问题获取答案，支持直接内存数据匹配、外部数据库查询、图谱向量表示计算等方式
fetcher = AnswerFetcher(struc_q, graph)
print(fetcher.fetch_by_db_query(graph_db))

算法支持

算法名称 算法功能 实现框架
Rake/Topic-Rake 概念短语抽取 传统机器学习
GRU/LSTM 实体识别 PaddlePaddle/PyTorch/TensorFlow
Nero 关系抽取 PyTorch
TransE 知识图谱表示学习 PaddlePaddle/PyTorch
TransH 知识图谱表示学习 PaddlePaddle/PyTorch
TransR 知识图谱表示学习 PaddlePaddle/PyTorch
RotatE 知识图谱表示学习 PyTorch
GCN 图嵌入表示学习 PaddlePaddle/PyTorch
GAT 图嵌入表示学习 PyTorch
GIN 图嵌入表示学习 PyTorch
MPNN 图嵌入表示学习 PyTorch
DyE 图嵌入表示学习 PyTorch
KGC 图嵌入表示学习 PyTorch
GCN-REC 图推荐算法 PyTorch

系统运行逻辑

pipeline

团队

主要成员：

  • 学生：宗畅、倪子煊、慕宗燊、叶钰楠、张凤达、常嘉乐、李星晨、王晓强、李俊成、李嘉成、沈锴、戴光裕、陈董、丁亚东、黄成越、唐作其、李佳晖、肖少宁、高凯锋、胡一帆、周宇航、叶寅
  • 教师：庄越挺、汤斯亮、肖俊、吴超、鲁伟明、张寅、杨易、杨洋、况琨

参与单位：

浙江大学、北京大学、北京航空航天大学、哈尔滨工业大学、西北工业大学、之江实验室、百度、海康威视、同盾科技、科大讯飞、量知数据