模型微调的训练数据处理

[QiankunPi]

您好！这篇论文的工作对DocRE方向起到了非常好的指导性工作。但有一个问题请问一下：对于RE-DocRED数据集，您在使用训练数据进行模型微调时，labels中的是三元组信息是怎么转换的呢？例如对于labels中的一组信息[h:11，r:P1580，t:6]，这里r:P1580很好理解它是代表id为P1580的关系，但对于h:11，它表示是实体编号为11的那个实体，但如果该实体有多个提及，我应该取哪个提及呢，还是说默认取第一个?还是所有提及都取一次？这个问题一直困惑着我，因为如果不确定取哪个提及的话，那提供的训练数据在微调时可能会存在很大问题。还请您百忙之中能帮助解答一下这个问题，非常感谢！

[bigdante]

您好！这篇论文的工作对DocRE方向起到了非常好的指导性工作。但有一个问题请问一下：对于RE-DocRED数据集，您在使用训练数据进行模型微调时，labels中的是三元组信息是怎么转换的呢？例如对于labels中的一组信息[h:11，r:P1580，t:6]，这里r:P1580很好理解它是代表id为P1580的关系，但对于h:11，它表示是实体编号为11的那个实体，但如果该实体有多个提及，我应该取哪个提及呢，还是说默认取第一个?还是所有提及都取一次？这个问题一直困惑着我，因为如果不确定取哪个提及的话，那提供的训练数据在微调时可能会存在很大问题。还请您百忙之中能帮助解答一下这个问题，非常感谢！

这里可以详见我处理数据制作训练集的代码。我是将所有的提及名称都进行了去重并且组合，也就是N*M，论文中我提到，在评测时候只要是命中了其中一个，就算是命中了这个三元组，然后这个三元组的其他提及组合即使预测对了，也不会再进行统计，而一旦预测错误了，即使是错误三元组的其他提及组合，都进行统计。以此来保证我评测的合理性。（也就是对的只统计一个，错误的我都进行统计，而错误的里面也有很多是数据集未标注的，因此模型实际上的效果应该是更好一些）。

Best~

[QiankunPi]

您好！这篇论文的工作对DocRE方向起到了非常好的指导性工作。但有一个问题请问一下：对于RE-DocRED数据集，您在使用训练数据进行模型微调时，labels中的是三元组信息是怎么转换的呢？例如对于labels中的一组信息[h:11，r:P1580，t:6]，这里r:P1580很好理解它是代表id为P1580的关系，但对于h:11，它表示是实体编号为11的那个实体，但如果该实体有多个提及，我应该取哪个提及呢，还是说默认取第一个?还是所有提及都取一次？这个问题一直困惑着我，因为如果不确定取哪个提及的话，那提供的训练数据在微调时可能会存在很大问题。还请您百忙之中能帮助解答一下这个问题，非常感谢！

这里可以详见我处理数据制作训练集的代码。我是将所有的提及名称都进行了去重并且组合，也就是N*M，论文中我提到，在评测时候只要是命中了其中一个，就算是命中了这个三元组，然后这个三元组的其他提及组合即使预测对了，也不会再进行统计，而一旦预测错误了，即使是错误三元组的其他提及组合，都进行统计。以此来保证我评测的合理性。（也就是对的只统计一个，错误的我都进行统计，而错误的里面也有很多是数据集未标注的，因此模型实际上的效果应该是更好一些）。

Best~

非常感谢您的解答。您提到的处理数据制作训练集的代码具体是哪个文件下的呢，我找了一圈没有找到，非常抱歉。还有就是我理解的您的意思是在构造训练集的标签时，假如三元组[h,r,t]中h有两个不同的提及h1和h2，那么最终给与的训练标签就是[h1,r,t]和[h2,r,t]。我看有的论文也将实体列表放入提示里，您当时有实验过吗，我看您的论文中是没有将实体列表放入提示中的。如果您能帮助解答，我将非常感谢！！！

[bigdante]

您好！这篇论文的工作对DocRE方向起到了非常好的指导性工作。但有一个问题请问一下：对于RE-DocRED数据集，您在使用训练数据进行模型微调时，labels中的是三元组信息是怎么转换的呢？例如对于labels中的一组信息[h:11，r:P1580，t:6]，这里r:P1580很好理解它是代表id为P1580的关系，但对于h:11，它表示是实体编号为11的那个实体，但如果该实体有多个提及，我应该取哪个提及呢，还是说默认取第一个?还是所有提及都取一次？这个问题一直困惑着我，因为如果不确定取哪个提及的话，那提供的训练数据在微调时可能会存在很大问题。还请您百忙之中能帮助解答一下这个问题，非常感谢！

这里可以详见我处理数据制作训练集的代码。我是将所有的提及名称都进行了去重并且组合，也就是N*M，论文中我提到，在评测时候只要是命中了其中一个，就算是命中了这个三元组，然后这个三元组的其他提及组合即使预测对了，也不会再进行统计，而一旦预测错误了，即使是错误三元组的其他提及组合，都进行统计。以此来保证我评测的合理性。（也就是对的只统计一个，错误的我都进行统计，而错误的里面也有很多是数据集未标注的，因此模型实际上的效果应该是更好一些）。
Best~

非常感谢您的解答。您提到的处理数据制作训练集的代码具体是哪个文件下的呢，我找了一圈没有找到，非常抱歉。还有就是我理解的您的意思是在构造训练集的标签时，假如三元组[h,r,t]中h有两个不同的提及h1和h2，那么最终给与的训练标签就是[h1,r,t]和[h2,r,t]。我看有的论文也将实体列表放入提示里，您当时有实验过吗，我看您的论文中是没有将实体列表放入提示中的。如果您能帮助解答，我将非常感谢！！！

https://github.com/THUDM/AutoRE/blob/main/AutoRE/utils/pre_process_data.py
这里面有各个模式的详细数据制作。另外，参考template.py，我确实没有将任何的实体列表(或者是关系列表)作为预先知道的放入到提示词中，目的是不带任何的先验知识。其他类似的做法，我认为目的是为了降低任务的难度（选择比预测简单），因此我是通过训练，让模型具备直接预测的能力，更加符合真实end2end的生活场景。

[QiankunPi]

您好！这篇论文的工作对DocRE方向起到了非常好的指导性工作。但有一个问题请问一下：对于RE-DocRED数据集，您在使用训练数据进行模型微调时，labels中的是三元组信息是怎么转换的呢？例如对于labels中的一组信息[h:11，r:P1580，t:6]，这里r:P1580很好理解它是代表id为P1580的关系，但对于h:11，它表示是实体编号为11的那个实体，但如果该实体有多个提及，我应该取哪个提及呢，还是说默认取第一个?还是所有提及都取一次？这个问题一直困惑着我，因为如果不确定取哪个提及的话，那提供的训练数据在微调时可能会存在很大问题。还请您百忙之中能帮助解答一下这个问题，非常感谢！

这里可以详见我处理数据制作训练集的代码。我是将所有的提及名称都进行了去重并且组合，也就是N*M，论文中我提到，在评测时候只要是命中了其中一个，就算是命中了这个三元组，然后这个三元组的其他提及组合即使预测对了，也不会再进行统计，而一旦预测错误了，即使是错误三元组的其他提及组合，都进行统计。以此来保证我评测的合理性。（也就是对的只统计一个，错误的我都进行统计，而错误的里面也有很多是数据集未标注的，因此模型实际上的效果应该是更好一些）。
Best~

非常感谢您的解答。您提到的处理数据制作训练集的代码具体是哪个文件下的呢，我找了一圈没有找到，非常抱歉。还有就是我理解的您的意思是在构造训练集的标签时，假如三元组[h,r,t]中h有两个不同的提及h1和h2，那么最终给与的训练标签就是[h1,r,t]和[h2,r,t]。我看有的论文也将实体列表放入提示里，您当时有实验过吗，我看您的论文中是没有将实体列表放入提示中的。如果您能帮助解答，我将非常感谢！！！

https://github.com/THUDM/AutoRE/blob/main/AutoRE/utils/pre_process_data.py 这里面有各个模式的详细数据制作。另外，参考template.py，我确实没有将任何的实体列表(或者是关系列表)作为预先知道的放入到提示词中，目的是不带任何的先验知识。其他类似的做法，我认为目的是为了降低任务的难度（选择比预测简单），因此我是通过训练，让模型具备直接预测的能力，更加符合真实end2end的生活场景。

好的，非常感谢您的解答！我再去仔细研读下您的文章和相关数据处理的代码。祝您生活愉快，工作顺心！