iamQA

中文wiki百科问答系统，本项目使用了torchserver部署模型（不推荐用torchserve，如果你可以的话，用flask就好了，debug也比较方便）

知识库:wiki百科中文数据

模型:使用了的NER(CCKS2016数据)和阅读理解模型(CMRC2018)，还有Word2Vec词向量搜索。

详细内容可以参考文章:WIKI+ALBERT+NER+W2V+Torchserve+前端的中文问答系统开源项目

项目框架

模块介绍

• ChineseWiki-master
  功能：清洗wiki中文数据
  相关项目:https://github.com/mattzheng/ChineseWiki

• NER 功能：从问题中识别实体
  例子：qurry:周董是谁？ 》》 entiy:周董
  模型：ALBERT 数据集：CCKS2016KBQA
  相关项目：https://github.com/997261095/bert-kbqa

• Word2vec 功能：如果实体不在知识库，则用W2V搜索近似实体
  例子：entity:周董 >> ['周杰伦','JAY','林俊杰']
  相关项目：https://github.com/Embedding/Chinese-Word-Vectors

• Entity linking 功能:根据NER或W2V得到的mention entity搜索知识库

• Reader 功能：阅读理解文段，精确定位答案。
  例子：参考SQuAD 模型：ALBERT
  数据集：CMRC2018
  相关项目：https://github.com/CLUEbenchmark/CLUE

• Web 功能：web服务，前端交互和结果呈现
  相关项目：https://github.com/zaghaghi/drqa-webui

使用说明

0. 下载项目
   windows直接下载,linux可用

   git clone https://github.com/nocoolsandwich/wikiCH_QA.git

1. 安装torchserve

   参考install-torchserve windows注意openjdk 11的安装方法不一样,可参考这个文章

2. 安装requirements.txt

   使用豆瓣源快些

   pip install -U -r requirements.txt -i https://pypi.douban.com/simple/

3. 下载准备文件

• wiki中文数据,下载地址

  linux可用

  wget https://dumps.wikimedia.org/zhwiki/20201120/zhwiki-20201120-pages-articles-multistream.xml.bz2

  文件大小约2G,无需解压,放入ChineseWiki-master根目录

• NER的albert模型

  模型我已训练好，文件总大小约16M，下载地址

  drive	baiduyun(提取码:1234)
  NER_model	NER_model

  下载后存放路径:NER\model

• reader的albert模型

  模型我已训练好，文件总大小约35M，下载地址

  drive	baiduyun(提取码:1234)
  reader_model	reader_model

  下载后存放路径:reader

• W2V 下载地址

  Word2vec/Skip-Gram with Negative Sampling (SGNS)下的Mixed-large 综合Baidu Netdisk/Google Drive的Word

  或者通过这其中一个链接下载:

  drive	baiduyun
  W2V.file	W2V.file

  下载解压后将sgns.merge.word存放路径:W2V
  在W2V下执行运行to_pickle.py可以得到文件W2V.pickle,这一步是为了把读进gensim的词向量转换成pickle,这样后续启动torchserve的时候可以更加快速,运行to_pickle.py的时间比较久,你可以先往后做,同步进行也是没问题的。

4. wiki数据清洗

   依次运行1wiki_to_txt.py,2wiki_txt_to_csv.py,3wiki_csv_to_json.py,4wiki_json_to_DB.py

   输出:ChineseWiki-master\DB_output\output.db,然后把output.db放入reader下

5. torchserve打包模型,启动torchserve服务

   在NER目录执行

   torch-model-archiver --model-name NER --version 1.0 \
   --serialized-file ./Transformer_handler_generalized.py \
   --handler ./Transformer_handler_generalized.py --extra-files \
   "./model/find_NER.py,./model/best_ner.bin,./model/SIM_main.py,./model/CRF_Model.py,./model/BERT_CRF.py,./model/NER_main.py"

   在reader目录执行

   torch-model-archiver --model-name reader --version 1.0 \
   --serialized-file ./checkpoint_score_f1-86.233_em-66.853.pth \
   --handler ./Transformer_handler_generalized.py \
   --extra-files "./setup_config.json,./inference.py,./official_tokenization.py,./output.db"

   在W2V目录执行

   torch-model-archiver --model-name W2V --version 1.0 --serialized-file ./W2V.pickle --handler ./Transformer_handler_generalized.py

   在wikiCH_QA目录执行

   mkdir model_store \
   mv NER/NER.mar model_store/ \
   mv W2V/W2V.mar model_store/ \
   cp W2V/config.properties config.properties \
   mv reader/reader.mar model_store/ \

   启动服务

   torchserve --start --ts-config config.properties --model-store model_store \
   --models reader=reader.mar,NER=NER.mar,W2V=W2V.mar

6. 启动web服务
   在drqa-webui-master下执行

   gunicorn --timeout 300 index:app

   访问http://localhost:8000

项目说明

• NER模块在CCKS2016KBQA准确率98%
• reader模块在CMRC2018EM:66%,F1:86%
• 你的知识库可以更换，只需要一个带有id,doc字段的sqlite数据库即可，id为实体名，doc为实体对应的文档，文档尽可能小于512个字符，因为受限于bert的输入长度。

效果展示