(2020)指代消解ontoNotes_Release_5.0处理详细流程

• 最近在做指代消解的任务，目前才处理完数据部分，确实有些繁琐，因此记录

• 准备用spanbert做的指代消解，所以该代码里的.sh文件： github代码

数据获取

• 获取数据部分也需要耐心，参考以下博客（可以搭配看）

  • 博客1
  • 博客2

• 注意事项：

  • 在获取ontoNotes 5.0数据时，注册完LDC账号后，立马给LDC官方发邮件，告知你比较急，希望将管理员信息告诉你或者直接将你拉入组织。
  • 如果LDC告知你管理员信息，立马联系管理员。

数据处理

• 以spanbert中的setup_training.sh脚本为例，我之前是在win10上处理的，最好在Linux上处理（别担心我也是linux小白）
• 下方两个连接是官方的处理教程（参考即可）
  • 数据处理教程1
  • 数据处理教程2

步骤：

🐢 1.在 数据处理教程1 中下载（都在该页面中）：

• 训练数据：conll-2012-train.v4.tar.gz

• 验证数据：conll-2012-development.v4.tar.gz

• 测试数据：conll-2012-test-official.v9.tar.gz 、conll-2012-test-supplementary.v9.tar.gz、conll-2012-test-key.tar.gz

• 处理脚本：conll-2012-scripts.v3.tar.gz

• ontonotes-release-5.0等加入组织后就可以下到

  

🐢 2. 将图中7个文件放在一个目录下，解压即可。

• 前6个conll解压后生成conll-2012文件夹

• 最后一个生成ontonotes-release-5.0文件夹

• 到此才刚下载好数据

• setup_training.sh部分
  

🐢 3. 执行setup_training.sh脚本

• sh空格./setup_training.sh空格ontonotes-release-5.0路径空格conll-2012路径
• 只要下图部分即可（下面部分也先去掉），因为这部分需要在python2运行，或者改成python3（我比较懒，文末有转换方法），不然会报错的
  
  我自己的例子：
  • setup_training.sh和conll-2012 ontonotes-release-5.0在同一级目录中，转到该文件目录，执行：sh空格./setup_training.sh空格./ontonotes-release-5.0空格./
    

🐢 4. Setup(代码中markdowm文件的步骤)

• 以下这部分按顺序执行，建议在linux中操作，主要涉及到.so动态库，windows不太好操作。

• 配置环境: pip install -r requirements.txt

• export data_dir=</path/to/data_dir>（我是 export data_dir=./)

• ./setup_all.sh: This builds the custom kernels（我是 bash ./setup_all.sh)

• 现在的setup_training.sh内容如下:

  • ./setup_training.sh <ontonotes/path/ontonotes-release-5.0> $data_dir（我是bash空格./setup_training.sh空格./ontonotes-release-5.0/空格./)

  🐢5. 最后会在data_dir目录生成如下json文件

  

  • 英文：训练集2802个文档，验证集343个文档，测试集348个文档

  • 中文：训练集1810个文档，验证集252个文档，测试集218个文档

    • 注：生成中文json需要修改的地方

      • setup_training.sh
        
      • minimize.py
        

• 到此数据处理完毕，不足之处还请指出，我将及时更正。

• 补充：If you are using Python 3.X, you have to edit the conll-2012/v3/scripts/skeleton2conll.py file

  • Change except InvalidSexprException, e: to except InvalidSexprException as e
  • Change all print to print()