# DeepKE **Repository Path**: ZJU_NLP/DeepKE ## Basic Information - **Project Name**: DeepKE - **Description**: An Open Toolkit for Knowledge Graph Extraction and Construction published at EMNLP2022 System Demonstrations. - **Primary Language**: Python - **License**: MIT - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 17 - **Forks**: 5 - **Created**: 2022-12-07 - **Last Updated**: 2025-05-29 ## Categories & Tags **Categories**: rag **Tags**: None ## README

Documentation PyPI GitHub Documentation Open In Colab

English | 简体中文

基于深度学习的开源中文知识图谱抽取框架

[DeepKE](https://arxiv.org/pdf/2201.03335.pdf) 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。同时为初学者提供了[用户手册](), [文档](https://zjunlp.github.io/DeepKE/)，[Google Colab教程](https://colab.research.google.com/drive/1vS8YJhJltzw3hpJczPt24O0Azcs3ZpRi?usp=sharing), [在线演示](http://deepke.zjukg.cn/CN/index.html), [论文](https://arxiv.org/pdf/2201.03335.pdf)和[演示文稿](https://github.com/zjunlp/DeepKE/blob/main/docs/slides/Slides-DeepKE-cn.pdf)。 **阅读资料**: Data-Efficient Knowledge Graph Construction, 高效知识图谱构建 ([Tutorial on CCKS 2022](http://sigkg.cn/ccks2022/?page_id=24)) \[[slides](https://pan.baidu.com/s/1yMskUVU188-4dcf96lVrWg?pwd=gy8y)\] Efficient and Robust Knowledge Graph Construction ([Tutorial on AACL-IJCNLP 2022](https://www.aacl2022.org/Program/tutorials)) \[[slides](https://github.com/NLP-Tutorials/AACL-IJCNLP2022-KGC-Tutorial)\] PromptKG Family: a Gallery of Prompt Learning & KG-related Research Works, Toolkits, and Paper-list [[Resources](https://github.com/zjunlp/PromptKG)\] Knowledge Extraction in Low-Resource Scenarios: Survey and Perspective \[[Survey](https://arxiv.org/abs/2202.08063)\]\[[Paper-list](https://github.com/zjunlp/Low-resource-KEPapers)\] 基于大模型提示学习的推理工作综述 \[[论文](https://arxiv.org/abs/2212.09597)\]\[[列表](https://github.com/zjunlp/Prompt4ReasoningPapers)\]\[[ppt](https://github.com/zjunlp/Prompt4ReasoningPapers/blob/main/tutorial.pdf)\] **相关工具**： [Doccano](https://github.com/doccano/doccano)、[MarkTool](https://github.com/FXLP/MarkTool)、[LabelStudio](https://labelstud.io/ )：实体识别关系抽取数据标注工具 [LambdaKG](https://github.com/zjunlp/PromptKG/tree/main/lambdaKG): 基于预训练语言模型的知识图谱表示与应用工具 [EasyInstruct](https://github.com/zjunlp/EasyInstruct): 一个基于指令使用大模型的工具 # 目录 * [新版特性](#新版特性) * [预测演示](#预测演示) * [模型架构](#模型架构) * [快速上手](#快速上手) * [环境依赖](#环境依赖) * [具体功能介绍](#具体功能介绍) * [1. 命名实体识别NER](#1-命名实体识别ner) * [2. 关系抽取RE](#2-关系抽取re) * [3. 属性抽取AE](#3-属性抽取ae) * [Notebook教程](#notebook教程) * [备注（常见问题）](#备注常见问题) * [未来计划](#未来计划) * [引用](#引用) * [项目贡献成员](#项目贡献成员) * [其它知识抽取开源工具](#其它知识抽取开源工具)
# 新版特性 ## 2023年4月 * 新增实体关系抽取模型[CP-NER](https://github.com/zjunlp/DeepKE/blob/main/example/ner/cross/README_CN.md), [ASP(EMNLP'22)](https://github.com/zjunlp/DeepKE/tree/main/example/triple/ASP/README_CN.md), [PRGC(ACL'21)](https://github.com/zjunlp/DeepKE/tree/main/example/triple/PRGC/README_CN.md), [PURE(NAACL'21)](https://github.com/zjunlp/DeepKE/tree/main/example/triple/PURE/README_CN.md), 支持[事件抽取](https://github.com/zjunlp/DeepKE/blob/main/example/ee/standard/README_CN.md)(中文、英文), 提供对Python库高级版本的支持 (例如Transformers)。 ## 2023年2月 * 支持[大模型](https://github.com/zjunlp/DeepKE/blob/main/example/llm/README_CN.md) (GPT-3)，包含In-context Learning (基于 [EasyInstruct](https://github.com/zjunlp/EasyInstruct))和数据生成，新增实体识别模型[W2NER(AAAI'22)](https://github.com/zjunlp/DeepKE/blob/main/example/ner/standard/README_CN.md)。 ## 2022年11月 - 新增实体识别、关系抽取的[数据标注说明](https://github.com/zjunlp/DeepKE/blob/main/README_TAG_CN.md)和弱监督数据自动标注([实体识别](https://github.com/zjunlp/DeepKE/blob/main/example/ner/prepare-data/README_CN.md)、[关系抽取](https://github.com/zjunlp/DeepKE/blob/main/example/re/prepare-data/README_CN.md))功能，优化[多GPU训练](https://github.com/zjunlp/DeepKE/blob/main/example/re/standard/README_CN.md)。 ## 2022年9月 - 论文 [DeepKE: A Deep Learning Based Knowledge Extraction Toolkit for Knowledge Base Population](https://arxiv.org/abs/2201.03335)被EMNLP2022 System Demonstration Track录用。 ## 2022年8月 - 新增针对[低资源关系抽取](https://github.com/zjunlp/DeepKE/tree/main/example/re/few-shot)的[数据增强](https://github.com/zjunlp/DeepKE/tree/main/example/re/few-shot/DA) (中文、英文)功能。 ## 2022年6月 - 新增支持多模态场景的[实体抽取](https://github.com/zjunlp/DeepKE/tree/main/example/ner/multimodal)、[关系抽取](https://github.com/zjunlp/DeepKE/tree/main/example/re/multimodal)功能。 ## 2022年5月 - 发布[DeepKE-cnschema](https://github.com/zjunlp/DeepKE/blob/main/README_CNSCHEMA_CN.md)特别版模型，支持基于cnSchema的开箱即用的中文实体识别和关系抽取。 ## 2022年1月 - 发布论文 [DeepKE: A Deep Learning Based Knowledge Extraction Toolkit for Knowledge Base Population](https://arxiv.org/abs/2201.03335) ## 2021年12月 - 加入`dockerfile`以便自动创建环境 ## 2021年11月 - 发布DeepKE demo页面，支持实时抽取，无需部署和训练模型 - 发布DeepKE文档，包含DeepKE源码和数据集等详细信息 ## 2021年10月 - `pip install deepke` - deepke-v2.0发布 ## 2019年8月 - `pip install deepke` - deepke-v1.0发布 ## 2018年8月 - DeepKE项目启动，deepke-v0.1代码发布
# 预测演示 下面使用一个demo展示预测过程。该动图由[Terminalizer](https://github.com/faressoft/terminalizer)生成，生成[代码](https://drive.google.com/file/d/1r4tWfAkpvynH3CBSgd-XG79rf-pB-KR3/view?usp=share_link)可点击获取。
# 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
# 快速上手 DeepKE支持pip安装使用，以常规全监督设定关系抽取为例，经过以下6个步骤就可以实现一个常规关系抽取模型 **Step 1**：下载代码 ```git clone --depth 1 https://github.com/zjunlp/DeepKE.git```（别忘记star和fork哈！！！） **Step 2**：使用anaconda创建虚拟环境，进入虚拟环境（提供[Dockerfile](https://github.com/zjunlp/DeepKE/tree/main/docker)源码和[教程](https://github.com/zjunlp/DeepKE/issues/145)可自行创建镜像；可参考[备注（常见问题）](#备注常见问题)使用镜像加速） ``` conda create -n deepke python=3.8 conda activate deepke ``` 1） 基于pip安装，直接使用 ``` pip install deepke ``` 2） 基于源码安装 (**强烈建议使用源码安装**) ``` python setup.py install python setup.py develop ``` **Step 3** ：进入任务文件夹，以常规关系抽取为例 ``` cd DeepKE/example/re/standard ``` **Step 4**：下载数据集，或根据[数据标注说明](https://github.com/zjunlp/DeepKE/blob/main/README_TAG_CN.md)标注数据 ``` wget 120.27.214.45/Data/re/standard/data.tar.gz tar -xzvf data.tar.gz ``` 支持多种数据类型格式，具体请见各部分子README。 **Step 5** ：模型训练，训练用到的参数可在conf文件夹内修改 DeepKE使用[wandb](https://docs.wandb.ai/quickstart)支持可视化调参 ``` python run.py ``` **Step 6** ：模型预测。预测用到的参数可在conf文件夹内修改 修改`conf/predict.yaml`中保存训练好的模型路径。需使用模型的绝对路径。如`xxx/checkpoints/2019-12-03_17-35-30/cnn_epoch21.pth`。 ``` python predict.py ``` - **❗注意: 如果您在安装或使用过程中遇到任何问题，您可以查看[备注（常见问题）](#备注常见问题) 或提交 GitHub issue.**
## 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
## 具体功能介绍 ### 1. 命名实体识别NER - 命名实体识别是从非结构化的文本中识别出实体和其类型。数据为txt文件，样式范例为(用户可以基于工具[Doccano](https://github.com/doccano/doccano)、[MarkTool](https://github.com/FXLP/MarkTool)标注数据，也可以通过DeepKE自带的[弱监督功能](https://github.com/zjunlp/DeepKE/blob/main/example/ner/prepare-data/README_CN.md)自动得到数据)： | Sentence | Person | Location | Organization | | :----------------------------------------------------------: | :------------------------: | :------------: | :----------------------------: | | 本报北京9月4日讯记者杨涌报道：部分省区人民日报宣传发行工作座谈会9月3日在4日在京举行。 | 杨涌 | 北京 | 人民日报 | | 《红楼梦》由王扶林导演，周汝昌、王蒙、周岭等多位专家参与制作。 | 王扶林，周汝昌，王蒙，周岭 | | | | 秦始皇兵马俑位于陕西省西安市,是世界八大奇迹之一。 | 秦始皇 | 陕西省，西安市 | | - 具体流程请进入详细的README中 - **[常规全监督STANDARD](https://github.com/zjunlp/DeepKE/tree/main/example/ner/standard)** ***我们还提供了[大模型支持](https://github.com/zjunlp/DeepKE/blob/main/example/llm/README_CN.md)和开箱即用的[DeepKE-cnSchema特别版](https://github.com/zjunlp/DeepKE/blob/main/README_CNSCHEMA_CN.md)，无需训练即可抽取支持cnSchema的实体*** **Step1**: 进入`DeepKE/example/ner/standard`，下载数据集 ```bash wget 120.27.214.45/Data/ner/standard/data.tar.gz tar -xzvf data.tar.gz ``` **Step2**: 模型训练
数据集和参数配置可以分别在`data`和`conf`文件夹中修改 ``` python run.py ``` **Step3**: 模型预测 ``` python predict.py ``` - **[少样本FEW-SHOT](https://github.com/zjunlp/DeepKE/tree/main/example/ner/few-shot)** **Step1**: 进入`DeepKE/example/ner/few-shot`，下载数据集 ```bash wget 120.27.214.45/Data/ner/few_shot/data.tar.gz tar -xzvf data.tar.gz ``` **Step2**：低资源场景下训练模型
模型加载和保存位置以及参数配置可以在`conf`文件夹中修改 ``` python run.py +train=few_shot ``` 若要加载模型，修改`few_shot.yaml`中的`load_path`；
**Step3**：在`config.yaml`中追加`- predict`，`predict.yaml`中修改`load_path`为模型路径以及`write_path`为预测结果的保存路径，完成修改后使用 ``` python predict.py ``` - **[多模态](https://github.com/zjunlp/DeepKE/tree/main/example/ner/multimodal)** **Step1**: 进入 `DeepKE/example/ner/multimodal`， 下载数据集 ```bash wget 120.27.214.45/Data/ner/multimodal/data.tar.gz tar -xzvf data.tar.gz ``` 我们在原始图像上使用[faster_rcnn](https://github.com/pytorch/vision/blob/main/torchvision/models/detection/faster_rcnn.py)和[visual grounding工具](https://github.com/zyang-ur/onestage_grounding)分别抽取RCNN objects和visual grounding objects来作为局部视觉信息 **Step2** 多模态场景下训练模型
- 数据集和参数配置可以分别进入`data`和`conf`文件夹中修改 - 如需从上次训练的模型开始训练：设置`conf/train.yaml`中的`load_path`为上次保存模型的路径，每次训练的日志默认保存在根目录，可用`log_dir`来配置 ```bash python run.py ``` **Step3** 模型预测 ```bash python predict.py ``` ### 2. 关系抽取RE - 关系抽取是从非结构化的文本中抽取出实体之间的关系，以下为几个样式范例，数据为csv文件(用户可以基于工具[Doccano](https://github.com/doccano/doccano)、[MarkTool](https://github.com/FXLP/MarkTool)标注数据，也可以通过DeepKE自带的[弱监督功能](https://github.com/zjunlp/DeepKE/blob/main/example/re/prepare-data/README_CN.md)自动得到数据)： | Sentence | Relation | Head | Head_offset | Tail | Tail_offset | | :----------------------------------------------------: | :------: | :--------: | :---------: | :--------: | :---------: | | 《岳父也是爹》是王军执导的电视剧，由马恩然、范明主演。 | 导演 | 岳父也是爹 | 1 | 王军 | 8 | | 《九玄珠》是在纵横中文网连载的一部小说，作者是龙马。 | 连载网站 | 九玄珠 | 1 | 纵横中文网 | 7 | | 提起杭州的美景，西湖总是第一个映入脑海的词语。 | 所在城市 | 西湖 | 8 | 杭州 | 2 | - **❗NOTE: 如果您使用的同一个关系存在多种实体类型，可以采取对实体类型加关系前缀的方式构造输入。** - 具体流程请进入详细的README中，RE包括了以下三个子功能 - **[常规全监督STANDARD](https://github.com/zjunlp/DeepKE/tree/main/example/re/standard)** ***我们还提供了[大模型支持](https://github.com/zjunlp/DeepKE/blob/main/example/llm/README_CN.md)和开箱即用的[DeepKE-cnSchema特别版](https://github.com/zjunlp/DeepKE/blob/main/README_CNSCHEMA_CN.md)，无需训练即可抽取支持cnSchema的关系*** **Step1**：进入`DeepKE/example/re/standard`，下载数据集 ```bash wget 120.27.214.45/Data/re/standard/data.tar.gz tar -xzvf data.tar.gz ``` **Step2**：模型训练
数据集和参数配置可以分别进入`data`和`conf`文件夹中修改 ``` python run.py ``` **Step3**：模型预测 ``` python predict.py ``` - **[少样本FEW-SHOT](https://github.com/zjunlp/DeepKE/tree/main/example/re/few-shot)** **Step1**：进入`DeepKE/example/re/few-shot`，下载数据集 ```bash wget 120.27.214.45/Data/re/few_shot/data.tar.gz tar -xzvf data.tar.gz ``` **Step2**：模型训练
- 数据集和参数配置可以分别进入`data`和`conf`文件夹中修改 - 如需从上次训练的模型开始训练：设置`conf/train.yaml`中的`train_from_saved_model`为上次保存模型的路径，每次训练的日志默认保存在根目录，可用`log_dir`来配置 ``` python run.py ``` **Step3**：模型预测 ``` python predict.py ``` - **[文档级DOCUMENT](https://github.com/zjunlp/DeepKE/tree/main/example/re/document)**
**Step1**：进入`DeepKE/example/re/document`，下载数据集 ```bash wget 120.27.214.45/Data/re/document/data.tar.gz tar -xzvf data.tar.gz ``` **Step2**：模型训练
- 数据集和参数配置可以分别进入`data`和`conf`文件夹中修改 - 如需从上次训练的模型开始训练：设置`conf/train.yaml`中的`train_from_saved_model`为上次保存模型的路径，每次训练的日志默认保存在根目录，可用`log_dir`来配置； ``` python run.py ``` **Step3**：模型预测 ``` python predict.py ``` - **[多模态](https://github.com/zjunlp/DeepKE/tree/main/example/re/multimodal)** **Step1**: 进入 `DeepKE/example/re/multimodal`， 下载数据集 ```bash wget 120.27.214.45/Data/re/multimodal/data.tar.gz tar -xzvf data.tar.gz ``` 我们在原始图像上使用[faster_rcnn](https://github.com/pytorch/vision/blob/main/torchvision/models/detection/faster_rcnn.py)和[visual grounding工具](https://github.com/zyang-ur/onestage_grounding)分别抽取RCNN objects和visual grounding objects来作为局部视觉信息 **Step2** 模型训练
- 数据集和参数配置可以分别进入`data`和`conf`文件夹中修改 - 如需从上次训练的模型开始训练：设置`conf/train.yaml`中的`load_path`为上次保存模型的路径，每次训练的日志默认保存在根目录，可用`log_dir`来配置 ```bash python run.py ``` **Step3** 模型预测 ```bash python predict.py ``` ### 3. 属性抽取AE - 数据为csv文件，样式范例为： | Sentence | Att | Ent | Ent_offset | Val | Val_offset | | :----------------------------------------------------------: | :------: | :------: | :--------: | :-----------: | :--------: | | 张冬梅，女，汉族，1968年2月生，河南淇县人 | 民族 | 张冬梅 | 0 | 汉族 | 6 | | 诸葛亮，字孔明，三国时期杰出的军事家、文学家、发明家。 | 朝代 | 诸葛亮 | 0 | 三国时期 | 8 | | 2014年10月1日许鞍华执导的电影《黄金时代》上映 | 上映时间 | 黄金时代 | 19 | 2014年10月1日 | 0 | - 具体流程请进入详细的README中 - **[常规全监督STANDARD](https://github.com/zjunlp/DeepKE/tree/main/example/ae/standard)** **Step1**：进入`DeepKE/example/ae/standard`，下载数据集 ```bash wget 120.27.214.45/Data/ae/standard/data.tar.gz tar -xzvf data.tar.gz ``` **Step2**：模型训练
数据集和参数配置可以分别进入`data`和`conf`文件夹中修改 ``` python run.py ``` **Step3**：模型预测 ``` python predict.py ```
### 4.事件抽取 * 事件抽取是指从一段无结构化的文本中抽取出某个事件的事件类型、事件触发词、论元角色以及论元。 * 数据为`.tsv`文件，样例为：
Sentence Event type Trigger Role Argument
据《欧洲时报》报道，当地时间27日，法国巴黎卢浮宫博物馆员工因不满工作条件恶化而罢工，导致该博物馆也因此闭门谢客一天。 组织行为-罢工 罢工 罢工人员 法国巴黎卢浮宫博物馆员工
时间 当地时间27日
所属组织 法国巴黎卢浮宫博物馆
中国外运2019年上半年归母净利润增长17%：收购了少数股东股权 财经/交易-出售/收购 收购 出售方 少数股东
收购方 中国外运
交易物 股权
美国亚特兰大航展13日发生一起表演机坠机事故，飞行员弹射出舱并安全着陆，事故没有造成人员伤亡。 灾害/意外-坠机 坠机 时间 13日
地点 美国亚特兰
- 具体流程请进入详细的README中 - **[常规全监督STANDARD](./example/ee/standard/README_CN.md)** **Step1**：进入`DeepKE/example/ee/standard`，下载数据集 ```bash wget 120.27.214.45/Data/ee/DuEE.zip unzip DuEE.zip ``` **Step2**：模型训练
数据集和参数配置可以分别进入`data`和`conf`文件夹中修改 ``` python run.py ``` **Step3**：模型预测 ``` python predict.py ``` # Notebook教程 本工具提供了若干Notebook和Google Colab教程，用户可针对性调试学习。 - 常规设定： [命名实体识别Notebook](https://github.com/zjunlp/DeepKE/blob/main/tutorial-notebooks/ner/standard/standard_ner_tutorial.ipynb) [命名实体识别Colab](https://colab.research.google.com/drive/1rFiIcDNgpC002q9BbtY_wkeBUvbqVxpg?usp=sharing) [关系抽取Notebook](https://github.com/zjunlp/DeepKE/blob/main/tutorial-notebooks/re/standard/standard_re_BERT_tutorial.ipynb) [关系抽取Colab](https://colab.research.google.com/drive/1o6rKIxBqrGZNnA2IMXqiSsY2GWANAZLl?usp=sharing) [属性抽取Notebook](https://github.com/zjunlp/DeepKE/blob/main/tutorial-notebooks/ae/standard/standard_ae_tutorial.ipynb) [属性抽取Colab](https://colab.research.google.com/drive/1pgPouEtHMR7L9Z-QfG1sPYkJfrtRt8ML?usp=sharing) - 低资源： [命名实体识别Notebook](https://github.com/zjunlp/DeepKE/blob/main/tutorial-notebooks/ner/few-shot/fewshot_ner_tutorial.ipynb) [命名实体识别Colab](https://colab.research.google.com/drive/1Xz0sNpYQNbkjhebCG5djrwM8Mj2Crj7F?usp=sharing) [关系抽取Notebook](https://github.com/zjunlp/DeepKE/blob/main/tutorial-notebooks/re/few-shot/fewshot_re_tutorial.ipynb) [关系抽取Colab](https://colab.research.google.com/drive/1o1ly6ORgerkm1fCDjEQb7hsN5WKyg3JH?usp=sharing) - 篇章级： [关系抽取Notebook](https://github.com/zjunlp/DeepKE/blob/main/tutorial-notebooks/re/document/document_re_tutorial.ipynb) [关系抽取Colab](https://colab.research.google.com/drive/1RGUBbbOBHlWJ1NXQLtP_YEUktntHtROa?usp=sharing) - 多模态： [命名实体识别Notebook](https://github.com/zjunlp/DeepKE/blob/main/tutorial-notebooks/ner/multimodal/multimodal_ner_tutorial.ipynb) [命名实体识别Colab](https://colab.research.google.com/drive/1zOVZcn2v6xfCq39N80lbbHTdAfc7eGHb?usp=sharing) [关系抽取Notebook](https://github.com/zjunlp/DeepKE/blob/main/tutorial-notebooks/re/multimodal/multimodal_re_tutorial.ipynb) [关系抽取Colab](https://colab.research.google.com/drive/1ZRqqXMSDWoPpAKL7h9w9pq-SY-2gjc-u?usp=sharing)
# 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](https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/)。 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](https://github.com/zjunlp/DeepKE/tree/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](https://github.com/zjunlp/DeepKE/blob/main/example/re/standard/README.md))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](https://github.com/zjunlp/DeepKE/issues/117) 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](https://arxiv.org/pdf/2202.08063.pdf). 8.确保使用requirements.txt中对应的各依赖包的版本。
# 未来计划 - 在DeepKE的下一个版本中发布中英双语抽取大模型 - 我们提供长期技术维护和答疑解惑。如有疑问，请提交issues
# 引用 如果使用DeepKE，请按以下格式引用 ```bibtex @inproceedings{DBLP:conf/emnlp/ZhangXTYYQXCLL22, author = {Ningyu Zhang and Xin Xu and Liankuan Tao and Haiyang Yu and Hongbin Ye and Shuofei Qiao and Xin Xie and Xiang Chen and Zhoubo Li and Lei Li}, editor = {Wanxiang Che and Ekaterina Shutova}, title = {DeepKE: {A} Deep Learning Based Knowledge Extraction Toolkit for Knowledge Base Population}, booktitle = {Proceedings of the The 2022 Conference on Empirical Methods in Natural Language Processing, {EMNLP} 2022 - System Demonstrations, Abu Dhabi, UAE, December 7-11, 2022}, pages = {98--108}, publisher = {Association for Computational Linguistics}, year = {2022}, url = {https://aclanthology.org/2022.emnlp-demos.10}, timestamp = {Thu, 23 Mar 2023 16:56:00 +0100}, biburl = {https://dblp.org/rec/conf/emnlp/ZhangXTYYQXCLL22.bib}, bibsource = {dblp computer science bibliography, https://dblp.org} } ```
# 项目贡献人员 浙江大学：[张宁豫](https://person.zju.edu.cn/ningyu)、陶联宽、徐欣、李欣荣、余海阳、叶宏彬、乔硕斐、王鹏、朱雨琦、谢辛、陈想、黎洲波、李磊、梁孝转、姚云志、邓淑敏、张文、郑国轴、陈华钧 开源社区贡献者: [thredreams](https://github.com/thredreams), [eltociear](https://github.com/eltociear) 阿里巴巴：熊飞宇、陈强 阿里巴巴达摩院：张珍茹、谭传奇、黄非 实习生：徐子文、黄睿、翁晓龙 # 其它知识抽取开源工具 - [CogIE](https://github.com/jinzhuoran/CogIE) - [OpenNRE](https://github.com/thunlp/OpenNRE) - [OmniEvent](https://github.com/THU-KEG/OmniEvent) - [OpenUE](https://github.com/zjunlp/OpenUE) - [OpenIE](https://stanfordnlp.github.io/CoreNLP/openie.html) - [RESIN](https://github.com/RESIN-KAIROS/RESIN-pipeline-public) - [ZShot](https://github.com/IBM/zshot) - [OmniEvent](https://github.com/THU-KEG/OmniEvent)