网站开发网站开发设计,废物利用手工制作图片,深圳网络营销网站,设计师门户网站程序诸神缄默不语-个人CSDN博文目录 文章目录 1. 什么是事件抽取与关系抽取#xff1f;2. 示例#xff1a;使用大语言模型进行事件抽取与关系抽取 1. 什么是事件抽取与关系抽取#xff1f;
事件抽取是指从文本中识别出与某些“事件”相关的信息。这些事件通常包括动作、参与者、…诸神缄默不语-个人CSDN博文目录 文章目录 1. 什么是事件抽取与关系抽取2. 示例使用大语言模型进行事件抽取与关系抽取 1. 什么是事件抽取与关系抽取
事件抽取是指从文本中识别出与某些“事件”相关的信息。这些事件通常包括动作、参与者、时间、地点等关键信息。
关系抽取则是从文本中识别并提取不同事件之间的关联常见的关系包括因果关系和时序关系等。
2. 示例使用大语言模型进行事件抽取与关系抽取
在本博文中我们将通过一个简单的示例来展示如何使用智谱AI进行事件抽取和关系抽取。 对智谱AI的更多使用方式介绍可参考我撰写的另一篇博文如何调用GLM-4 API实现智能问答
示例代码
import logging
from zhipuai import ZhipuAI
import csv
import json# 初始化客户端
client ZhipuAI(api_keyYOUR_ZHIPU_API_KEY # 替换为你的API密钥
)# 初始化日志记录
logging.basicConfig(filenamerevent_extraction_logs\process_log.log, # 日志文件名levellogging.INFO, # 设置日志级别format%(asctime)s - %(levelname)s - %(message)s, # 日志格式
)# 用户提示模板事件抽取 关系抽取
user_prompt Based on the following example, extract events and their related attributes (主体、客体、触发词、时间、地点) as well as relationships (因果关系、时序关系) from the provided text.# EVENT EXTRACTION EXAMPLE:
Input text:
甲公司在2023年5月成功收购了乙公司导致了双方在市场上的竞争加剧。Output:
{事件抽取: [{事件1: 甲公司收购乙公司,参与主体: 甲公司,参与客体: 乙公司,触发词: 收购,时间: 2023年5月,地点: 无},{事件2: 竞争加剧,参与主体: 甲公司、乙公司,参与客体: 市场,触发词: 加剧,时间: 无,地点: 市场}],关系抽取: [{因果关系: {因事件: 甲公司收购乙公司,果事件: 竞争加剧}},{时序关系: {事件1: 甲公司收购乙公司,事件2: 竞争加剧}}]
}Input text:
2024年4月华为公司宣布将进入新能源汽车市场并计划在未来三年内投资100亿人民币。
Output:
{事件抽取: [{事件1: 华为公司进入新能源汽车市场,参与主体: 华为公司,参与客体: 新能源汽车市场,触发词: 进入,时间: 2024年4月,地点: 新能源汽车市场},{事件2: 投资100亿人民币,参与主体: 华为公司,参与客体: 100亿人民币,触发词: 投资,时间: 未来三年,地点: 无}],关系抽取: [{因果关系: 无},{时序关系: {事件1: 华为公司进入新能源汽车市场,事件2: 投资100亿人民币}}]
}Input text:
2024年6月张三开始在甲公司工作接着他于2024年7月参与了一个重要项目并在项目结束后的2024年9月晋升为经理。
Output:
{事件抽取: [{事件1: 张三开始在甲公司工作,参与主体: 张三,参与客体: 甲公司,触发词: 开始,时间: 2024年6月,地点: 甲公司},{事件2: 张三参与了重要项目,参与主体: 张三,参与客体: 重要项目,触发词: 参与,时间: 2024年7月,地点: 无},{事件3: 张三晋升为经理,参与主体: 张三,参与客体: 经理,触发词: 晋升,时间: 2024年9月,地点: 无}],关系抽取: [{因果关系: {因事件: 张三开始在甲公司工作,果事件: 张三参与了重要项目}},{因果关系: {因事件: 张三参与了重要项目,果事件: 张三晋升为经理}},{时序关系: {前事件: 张三开始在甲公司工作,后事件: 张三参与了重要项目}},{时序关系: {前事件: 张三参与了重要项目,后事件: 张三晋升为经理}}]
}# Input text:
{specification}# Output:
# 系统提示
system_prompt You are a text information extraction engineer specializing in event extraction and relationship extraction.
Your task is to:
1. Extract events and their attributes: 事件, 参与主体, 参与客体, 触发词, 时间, 地点.
2. Identify relationships between events: 因果关系 and 时序关系.
Return the output as a JSON object with two main sections: 事件抽取 and 关系抽取.
# 定义函数调用 ZhipuAI 接口进行事件抽取
def extract_events_and_relations(text):message [{role: user, content: user_prompt.replace({specification}, text)},{role: assistant, content: system_prompt},]try:response client.chat.completions.create(modelglm-4, messagesmessage, temperature0.2 # 替换为你要使用的模型名称)return response.choices[0].message.content.strip()except Exception as e:logging.error(fError while calling API: {e})return None# 主逻辑读取 CSV 文件并进行事件抽取
def process_csv(input_csv_path, output_json_path):results []# 读取 CSV 文件with open(input_csv_path, moder, encodingutf-8) as csv_file:csv_reader csv.reader(csv_file)header next(csv_reader) # 跳过表头# 遍历每一行文本进行事件抽取for row in csv_reader:if row: # 确保该行不为空text row[0] # 假设文本位于 CSV 的第一列logging.info(fProcessing text: {text})extracted_info extract_events_and_relations(text)if extracted_info:try:# 将结果解析为 JSONparsed_info json.loads(extracted_info)results.append(parsed_info)except json.JSONDecodeError:logging.error(fFailed to parse JSON for text: {text})logging.error(fResponse content: {extracted_info})results.append({str: extracted_info})# 保存结果到 JSON 文件with open(output_json_path, modew, encodingutf-8) as json_file:json.dump(results, json_file, ensure_asciiFalse, indent4)logging.info(f事件抽取完成结果已保存到 {output_json_path})# 主程序入口
if __name__ __main__:input_csv_path (revent_extraction_data\input_data.csv # 输入的 CSV 文件路径)output_json_path revent_extraction_output\output_events.json # 输出的 JSON 文件路径logging.info(Starting process...)process_csv(input_csv_path, output_json_path)logging.info(任务完成)
