数据分为三大部分，即训练集、验证集、测试集。数据分为两种颗粒度，一种是句子级别的关系和包（若干个句子）级别的关系。以及用于训练词向量和语言模型的大规模无标注语料。

目前基于深度学习的人物关系抽取方法中大都使用单一的CNN或RNN模型，CNN擅长提取局部的最重要特征，但是不适合处理序列输入，而RNN虽然在任意长度的序列化任务中具有很大的优势，但是对局部的重要特征提取不够充分，针对以上问题，提出一种基于双向GRU和PCNN的人物关系抽取方法。将双向GRU模型与PCNN模型的优点结合起来，同时在模型中加入注意力机制。利用远程监督的方法构建训练语料进行实验验证，结果表明，该方法相较于单一的双向GRU模型、PCNN模型具有更好的效果。

运行该项目的模型训练和模型预测脚本需要准备BERT中文版的模型数据，下载网址为： 。   利用笔者自己收集的3881个样本，对人物关系抽取进行尝试。人物关系共分为14类，如下： { "unknown": 0, "夫妻": 1, "父母": 2, "兄弟姐妹": 3, "上下级": 4, "师生": 5, "好友": 6, "同学": 7, "合作": 8, "同人": 9, "情侣": 10, "祖孙": 11, "同门": 12, "亲戚": 13 }   人物关系类别频数分布条形图如下：   模型结构： BERT + 双向GRU + Attention + FC   模型训练效果： # 训练集(train), loss: 0.0260, acc: 0.9941 # 最终测试集(test), loss: 0.9505, acc:

以釜山行里面的人物关系为实例，为大家介绍一下人物关系抽取怎么做。里面包含代码和数据，亲测可用！

ChinesePersonRelationGraph, person relationship extraction based on nlp methods.中文人物关系知识图谱项目,内容包括中文人物关系图谱构建,基于知识库的数据回标,基于远程监督与bootstrapping方法的人物关系抽取,基于知识图谱的知识问答等应用。