前言

• 论文题目《Double Graph Based Reasoning for Document-level Relation Extraction》
• 论文地址
• 文章来源：CSDN@LawsonAbs
• 推荐指数：★☆☆☆☆

首先声明一下，下面这篇文章写得不是很系统，如果需要高质量的博客进行介绍，请文末留言，我再更新。
mention_id 描述的是一篇doc 被tokenizer 之后，得到各个位置下的token对应哪个mention的下标？如果不对应mention，则置为0.
mention_id 的size 是[batch_size,max_length]

mentions
size = [mention_num,max_len]

其实可以发现： mentions 中每行的值相同，都是 mention_id[i] 的值

mention_index

当前这篇doc有多少个mention，那么mention_index 的size(0) 就是多大。mention.size(1) = max_length

其中的值如下：

这个mention_index 后面会用到（与mentions做比较操作），第i行负责提取出第i+1（因为mention从1开始计数，但是下标从0开始计数）个mention的表示。

再看 select_metrix
这个select_metrix 就是由 mention_index 和 mentions 比较得到，其计算过程如下：
select_metrix = (mention_index == mentions).float()

得到的计算结果就是 select_metrix[0]

上面这个红框的含义就是：这两个位置的表示就是第0+1个mention 的位置。

torch.sum(select_metrix, dim = -1)
表示的就是对 select_metrix 这个矩阵每行求和，得到的值如下：

这个值的含义就是：找出这篇doc中有几个token表示这个mention。

torch.sum(select_metrix, dim=-1).unsqueeze(-1).expand(-1, slen)
再做一个unsqueeze(-1) 以及 .expand(-1,slen) 操作，就是将每行的值复制一份，扩展到每列上。值如下：

接着对 select_metrix 做一个赋值
select_metrix = torch.where(word_total_numbers > 0, select_metrix / word_total_numbers, select_metrix)
这个代码的含义就是想 计算每个token在整体doc中的权重：

最后便得到mention的表示。
x = torch.mm(select_metrix, encoder_output) # [mention_num, bert_hid]

接着来看根据mention 取 entity 表示的过程

这个值是怎么获取的？

这个变量有什么特征？
可以观察到： entity2mention_table[i].size(0) <= entity2mention_table[i].size(1) ， 这个是恒成立的。因为第一维代表的是entity num，第二维代表的是mention num。 实体数是要大于mention 数的。

这里的 entity num 和 mention num 都是从0开始计数，单纯的表示doc中的第几个实体。

mention_nums 表示的是将每列的值扩充到多列

select_metrix = torch.where(mention_nums > 0, select_metrix / mention_nums, select_metrix)
这行代码的作用同上面的做法相同，（之前的是在token上找出mention的，这就是在 mention 上找出 entity 的）

得到的值如下：

查看模型生成正负样本的逻辑

首先了解一下这各个变量
relation_multi_label
这个是什么意思？

realtion_label

代表的含义就是：当前batch中各个doc拥有的标签数。[batch_size,label_num]

relation_mask
因为有的doc没有那么多label，所以需要一个mask操作。

Bug 排查

发现图卷积之后的结果很多都是0？这是怎么回事儿？

查看有边的节点：

其中a表示的是有边的节点。可以发现：上面结果为0的那些节点都是没有边的。所以导致出现了问题。

最后参与分类的特征多，loss 下降的确实更加明显，比较的是下面两个部分：

predictions = self.predict(torch.cat(
(h_entity, t_entity,global_info),dim=-1)
)

predictions = self.predict(torch.cat(
(h_entity, t_entity,torch.abs(h_entity - t_entity), torch.mul(h_entity, t_entity),global_info),dim=-1)
)

我当前的这种思想：
使用train.json建立一个全局的graph，这可能导致数据泄漏，因为在训练前我们就把标签数据写到图中了，这样就导致模型可以直接读取了。所以存在一定的问题。

当我仅仅以 train.json 创建graph_big 时，训练10 epoch 之后，在dev.json 上验证，效果就仅有

这性能是远远不够的！

最后

以上就是飘逸金毛为你收集整理的源码解读系列之GAIN模型前言接着来看根据mention 取 entity 表示的过程查看模型生成正负样本的逻辑Bug 排查的全部内容，希望文章能够帮你解决源码解读系列之GAIN模型前言接着来看根据mention 取 entity 表示的过程查看模型生成正负样本的逻辑Bug 排查所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。