-
Notifications
You must be signed in to change notification settings - Fork 18
/
DataSets_multi_task_w2v.py
544 lines (510 loc) · 28 KB
/
DataSets_multi_task_w2v.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
# coding=utf-8
"""
john.zhang 2016-12-22
中文的关系分类数据集 这里能用到的数据如下
1 整个句子词的id
2 整个句子词的word2vec
3 整个句子的词性
4 触发词位置向量
5 候选词的位置向量
6 触发词及其上下文词id
7 触发词及其上下文词word2vec
8 触发词及其上下文词性
9 候选词及其上下文词id
10 候选词及其上下文词word2vec
11 候选词及其上下文词性
"""
from collections import namedtuple
import numpy as np
import cPickle
import os
from word2vec import word2vec
def find_candidates(items1, items2):
"""
找出满足条件的元素的下标
"""
result = []
for i in range(len(items1)):
if items1[i] in items2:
result.append(i)
return result
def one_hot(labels, label_num):
"""
将输入数据转换为one-hot类型
:param labels: 一个二维的list 这里要注意因为没有加入限定条件 很容易出错
:param label_num: 标签数目
:return:
"""
result = []
for i in range(len(labels)):
one_hot_vec = [0] * label_num
one_hot_vec[labels[i][0]] = 1
result.append(one_hot_vec)
return result
"""
测试程序 已验证
"""
"""
one_hot([[0],[1],[1]], 3)
"""
# 生成具有context信息的setence特征
def get_context_features(x, epos_id=113, windows=3):
"""
:param x: 原始输入的整个句子
:param epos_id: 用于句子开头和结尾的填充部分
:param windows: 窗口的大小
:return:
"""
context = (windows - 1) / 2 # 上下文长度
x_pad = x
x_pad = [epos_id] * context + x_pad
x_pad = x_pad + [epos_id] * context
# 依据x_pad生成多少个context
context_w_num = len(x_pad) - windows + 1
sentence_fatures = []
# return map(lambda i:x_pad[i:i+windows] , range(context_w_num))
for i in range(context_w_num):
sentence_fatures.append(x_pad[i:i + windows])
return sentence_fatures
class datasets(object):
def __init__(self, file='datas_ace.txt', store_path="ace_data_cl", batch_size=5,
max_sequence_length=20, windows=3, eval_num=200, word2vec_bin_file="vectors.bin"):
"""
file: 数据集
store_path: 生成的数据存储的位置
batch_size: 匹次训练样本数目
max_sequence_length: 最大的长度 长度超出剔除 长度不够填充
windows: 上下文窗口的大小
eval_num: 用于测试的数据集
word2vec_bin_file: 预先训练得到的word2vec文件
"""
# 预先训练得到的word2vec
word2vec_c = word2vec(word2vec_bin_file)
self.embedding_size = word2vec_c.embedding_size
self.word2vec = word2vec_c.word2vec
all_words = set() # 训练集中出现的所有的词
all_pos_taggings = set() # 训练集中出现的所有词性
all_labels_event = set() # 事件类型
all_labels_role = set() # 角色类型
all_marks = set() # 人工标注词的事件标记
data_model = namedtuple(("data"),
['words', 'pos_taggings', 'marks', 'label_event', 'label_role']) # 词 词性 标记 事件类别
instances = [] # 实例
words = [] # 词
pos_taggings = [] # 词性
marks = [] # 标签
label_event = [] # 事件类型
label_role = [] # 事件角色
with open(file, 'r') as f:
lines = f.readlines()
id = 1
for line in lines:
if id == 1:
words_natures_line = line.strip().split(', ')
for word_nature in words_natures_line:
# "//wp" 这种情况比较特殊
if "//wp" == word_nature:
word_nature = ["/", "wp"]
words.append(word_nature[0]) # 记录当前实例的词
pos_taggings.append(word_nature[1]) # 记录当前实例的词性
all_words.add(word_nature[0]) # 记录训练集当中出现的所有词
all_pos_taggings.add(word_nature[1]) # 记录训练集当中出现的所有词性
else:
word_nature = word_nature.split("/")
words.append(word_nature[0]) # 记录当前实例的词
pos_taggings.append(word_nature[1]) # 记录当前实例的词性
all_words.add(word_nature[0]) # 记录训练集当中出现的所有词
all_pos_taggings.add(word_nature[1]) # 记录训练集当中出现的所有词性
if id == 2:
words_marks_line = line.strip().split(', ')
for word_mark in words_marks_line:
# if word_mark.__contains__('O'):
# print line
# "//A" 这种情况比较特殊
if "//A" == word_mark:
word_mark = ["/", "A"]
marks.append(word_mark[1]) # 记录当前实例的标注信息
all_marks.add(word_mark[1]) # 记录训练集中所有标注信息
else:
word_mark = word_mark.split("/")
# print "/".join(word_mark)
marks.append(word_mark[1]) # 记录当前实例的标注信息
all_marks.add(word_mark[1]) # 记录训练集中所有标注信息
if id == 3:
label_line = line.strip().split("-")
all_labels_event.add(int(label_line[0])) # 事件类别
label_event.append(int(label_line[0])) # 记录当前实例的事件类型
all_labels_role.add(int(label_line[1])) # 角色类型
# 记录当前实例的角色类型
label_role.append(int(label_line[1]))
if id == 4:
# 置零
id = 1
# print "words_length:{}, pos_length:{}, marks_length:{}".format(len(words),len(pos_taggings),len(marks))
assert len(words) == len(pos_taggings) == len(marks) # 判定数目相等
# 长度超出最大距离
if len(words) <= max_sequence_length: # 超出最大长度的不记录
instances.append(
data_model(words=words, pos_taggings=pos_taggings, marks=marks, label_event=label_event,
label_role=label_role))
# 清空
words = [] # 词
pos_taggings = [] # 词性
marks = [] # 人工标注
label_event = [] # 事件类型
label_role = [] # 角色类型
continue
id += 1
all_words.add('<eos>') # 添加一个填充无效字符
all_pos_taggings.add('*') # 添加一个特殊的词性
words_size = len(all_words) # 数据集中词的数目
word_id = dict(zip(all_words, range(words_size))) # 词_id 词典
# for t in word_id.items():
# print "{},{}".format(t[0],t[1])
pos_taggings_size = len(all_pos_taggings) # 数据集中词的词性数目
# print ", ".join(all_pos_taggings)
# print all_labels_event
# print all_labels_role
pos_taggings_id = dict(zip(all_pos_taggings, range(pos_taggings_size))) # 词性_id
labels_event_size = len(all_labels_event) # 数据集中事件的所有事件类别数目
labels_role_size = len(all_labels_role) # 数据集中角色类别数目
mark_size = len(all_marks) # 数据集中出现过的人工标记数目
mark_id = dict(zip(all_marks, range(mark_size))) # 人工标注_id 这个用不到
self.windows = windows # 上下文窗口
self.batch_size = batch_size # 匹次训练的实例数目
self.max_sequence_length = max_sequence_length # 序列最大的长度
self.all_words = list(all_words) # 训练集中出现的所有词
self.all_pos_taggings = list(all_pos_taggings) # 训练集中出现的所有词性
self.all_marks = list(all_marks) # 训练集中出现的所有人工标记
self.all_labels_event = list(all_labels_event) # 训练集中出现的所有事件标签
self.all_labels_role = list(all_labels_role)
self.words_size = words_size # 词数目
self.pos_taggings_size = pos_taggings_size # 词性数目
self.labels_event_size = labels_event_size # 事件数目
self.labels_role_size = labels_role_size # 角色数目
self.mark_size = mark_size # 人工标识数目
self.word_id = word_id # 词_id 词典
self.pos_taggings_id = pos_taggings_id # 词性_id
self.mark_id = mark_id # 标记_id
# 留出一部分样本用于测试集 将instance一分为二
self.eval_num = eval_num
self.eval_instances = instances[-eval_num:]
instances = instances[0:-eval_num]
self.instances_size = len(instances) # 实例数目
self.instances = instances # 实例
self.batch_nums = self.instances_size // self.batch_size # 每一次epoch需要的batch_nums
self.index = np.arange(self.instances_size) # 每一个instance对应的id
self.point = 0 # 用于记录当前实例位置
# 判断文件是否存在
if not os.path.exists(store_path):
os.mkdir(store_path)
# 将生成的数据存储到本地文件
with open("{}/words".format(store_path), 'w') as f:
cPickle.dump(self.all_words, f)
with open("{}/all_pos_taggings".format(store_path), 'w') as f:
cPickle.dump(self.all_pos_taggings, f)
with open("{}/all_labels_event".format(store_path), 'w') as f:
cPickle.dump(self.all_labels_event, f)
with open("{}/all_labels_role".format(store_path), 'w') as f:
cPickle.dump(self.all_labels_role, f)
with open("{}/word_id".format(store_path), 'w') as f:
cPickle.dump(self.word_id, f)
with open("{}/pos_taggings_id".format(store_path), 'w') as f:
cPickle.dump(self.pos_taggings_id, f)
with open("{}/mark_id".format(store_path), 'w') as f:
cPickle.dump(self.mark_id, f)
# 对数据集进行shuffle操作
def shuffle(self):
np.random.shuffle(self.index)
self.point = 0
# 获取匹次数据
def next_batch(self):
start = self.point # 本次batch
self.point = self.point + self.batch_size
if self.point > self.instances_size: # 一次epoch完成 实例重新shuffle
self.shuffle()
start = 0
self.point = self.point + self.batch_size
end = self.point
batch_instances = map(lambda x: self.instances[x], self.index[start:end])
return batch_instances
# 转换成神经网络能够识别的
def next_cnn_data(self):
batch_instances = self.next_batch()
y_event = [] # 事件标签
y_role = [] # 角色标签
x = [] # 事件句 id
t = [] # 触发词 id
c = [] # 候选词 id
pos_tag = [] # 词性标注
t_pos_tag = [] # 触发词的词性
c_pos_tag = [] # 候选词的词性
x_w2v = [] # 事件句的 word2vec
t_w2v = [] # 触发词的 word2vec
c_w2v = [] # 候选词的 word2vec
pos_c = [] # 候选词位置向量
pos_t = [] # 触发词位置向量
eos_id = self.word_id['<eos>'] # 获取填充词的id
pos_eos_id = self.pos_taggings_id['*'] # 获取填充词性的id
# 候选词上下文窗口
c_context = []
# 触发词上下文窗口
t_context = []
# 根据当前词选出具有context的上下文信息 统一用词的id表示
# 更多信息请关注:Relation Classification via Convolutional Deep Neural Network 论文当中叫做 sentence features
sentences_fatures = []
# 生成数据 标记0和1 将词用词id表示 'words', 'pos_taggings', 'marks', 'label'
for instance in batch_instances:
words = instance.words
pos_taggings = instance.pos_taggings
marks = instance.marks
# 'label_event', 'label_role'
label_event = instance.label_event
label_role = instance.label_role
# print ", ".join(words)
# 找出当前句子的候选词下标 这里强制规定一个句子只能有一个候选词
index_candidates = find_candidates(marks, ['B'])
# print "index_candidate:{}".format(index_candidates)
# print ", ".join(words)
assert (len(index_candidates)) == 1
# 找出当前句子的触发词下标 这里强制规定一个句子只能有一个触发词
index_triggers = find_candidates(marks, ['T']) # 找出当前句子的触发词的下标id
# print "index_triggers:{}".format(index_triggers)
assert (len(index_triggers)) == 1
# print index_triggers
y_event.append(label_event) # 事件类别
y_role.append(label_role)
# 长度不够 人工标注标签填充
marks = marks + ['A'] * (self.max_sequence_length - len(marks))
# print marks
# 长度不够 单词填充
words = words + ['<eos>'] * (self.max_sequence_length - len(words))
# print ", ".join(words)
# 长度不够 词性填充
pos_taggings = pos_taggings + ['*'] * (self.max_sequence_length - len(pos_taggings))
# 添加预先训练的word2vec数据 生成sentence features
# 这里采用的是事先创建一个向量 然后在相应位置插入合适的数据
x_w2c_s = np.zeros(shape=(self.max_sequence_length, self.embedding_size))
for i in range(self.max_sequence_length):
w_s = words[i] # 当前词
if w_s in self.word2vec: # word2vec训练集中存在该词
x_w2c_s[i] = self.word2vec[w_s]
else:
continue # 如果不存在就直接用0表示
x_w2v.append(x_w2c_s)
# 词性转换为词性id
pos_taggings = map(lambda x: self.pos_taggings_id[x], pos_taggings)
pos_tag.append(pos_taggings)
sentence_fatures_pos_tags = get_context_features(pos_taggings, epos_id=pos_eos_id, windows=self.windows)
# 触发词及其上下文的词性id
t_pos_tag.append(sentence_fatures_pos_tags[index_triggers[0]])
# 候选词及其上下文的词性id
c_pos_tag.append(sentence_fatures_pos_tags[index_candidates[0]])
# 将当前句子的词转换为词的id
index_words = map(lambda x: self.word_id[x], words)
# x 就是词向量组成的句子特征
x.append(index_words)
sentence_fatures = get_context_features(index_words, epos_id=eos_id, windows=self.windows)
# 由每一个句子当中的词的上下文组成的词组成
sentences_fatures.append(sentence_fatures)
# 依据候选词在句子当中的位置 选取候选词的context
c_context.append(sentence_fatures[index_candidates[0]])
c_contexe_s_ws = map(lambda x: self.all_words[x], sentence_fatures[index_candidates[0]])
# print ", ".join(c_contexe_s_ws)
# 根据候选词 选取候选词的context的word2vec特征
c_w2v_s = np.zeros(shape=(self.windows, self.embedding_size))
for i in range(self.windows):
w_s = c_contexe_s_ws[i] # 当前词
if w_s in self.word2vec: # word2vec训练集中存在该词
c_w2v_s[i] = self.word2vec[w_s]
else:
continue # 如果不存在就直接用0表示
c_w2v.append(c_w2v_s)
# 依据触发词在句子当中的位置 选取触发词的context
t_context.append(sentence_fatures[index_triggers[0]])
# 根据触发词 选取触发词的context的word2vec特征
t_contexe_s_ws = map(lambda x: self.all_words[x], sentence_fatures[index_triggers[0]])
# print "|".join(t_contexe_s_ws)
t_w2v_s = np.zeros(shape=(self.windows, self.embedding_size))
for i in range(self.windows):
w_s = t_contexe_s_ws[i]
if w_s in self.word2vec:
t_w2v_s[i] = self.word2vec[w_s]
else:
continue
t_w2v.append(t_w2v_s)
# 候选词位置向量
pos_candidate = range(-index_candidates[0], 0) + range(0, self.max_sequence_length - index_candidates[0])
pos_c.append(pos_candidate)
# 触发词位置向量
pos_trigger = range(-index_triggers[0], 0) + range(0, self.max_sequence_length - index_triggers[0])
pos_t.append(pos_trigger)
# 根据句子当中触发词的下标id找出其在词表当中的位置 并进行填充
t.append([index_words[index_triggers[0]]] * self.max_sequence_length)
# 根据句子当中候选词的下标id找出其在词表当中的位置 并进行填充
c.append([index_words[index_candidates[0]]] * self.max_sequence_length)
# 确定长度是否一致
assert len(words) == len(marks) == len(pos_taggings) == len(index_words) == len(sentence_fatures) == len(
pos_candidate) == len(pos_trigger)
assert len(sentences_fatures) == len(y_event) == len(y_role) == len(x) == len(t) == len(c) == len(pos_c) == len(
pos_t) == len(
pos_tag) == len(x_w2v) == len(c_w2v) == len(t_w2v) == len(t_pos_tag) == len(c_pos_tag)
# 记录触发词和候选词所在句子当中的位置 并且生成触发词位置矩阵和候选词位置矩阵
# x:(词的id) t:触发词(词的id) c:候选词(词的id) y_event:事件的类别(类别id) y_role:角色的类别 pos_c:候选词位置向量 pos_t: 触发词位置向量
# c_context 候选词的上下文信息 t_context 触发词的上下文信息 pos_tag 句子的词性 x_w2v 句子的word2vec特征 t_w2v 触发词的word2vec特征 c_w2v 候选词的word2vec特征
# t_pos_tag 触发词词性 c_pos_tag 候选词词性
return x, t, c, one_hot(y_event, self.labels_event_size), one_hot(y_role, \
self.labels_role_size), pos_c, pos_t, sentences_fatures, c_context, t_context, pos_tag, \
np.array(x_w2v), np.array(t_w2v), np.array(c_w2v), t_pos_tag, c_pos_tag
# 用于测试的部分数据集
def eval_cnn_data(self):
batch_instances = self.eval_instances
y_event = [] # 事件标签
y_role = [] # 角色标签
x = [] # 事件句 id
t = [] # 触发词 id
c = [] # 候选词 id
pos_tag = [] # 词性标注
t_pos_tag = [] # 触发词的词性
c_pos_tag = [] # 候选词的词性
x_w2v = [] # 事件句的 word2vec
t_w2v = [] # 触发词的 word2vec
c_w2v = [] # 候选词的 word2vec
pos_c = [] # 候选词位置向量
pos_t = [] # 触发词位置向量
eos_id = self.word_id['<eos>'] # 获取填充词的id
pos_eos_id = self.pos_taggings_id['*'] # 获取填充词性的id
# 候选词上下文窗口
c_context = []
# 触发词上下文窗口
t_context = []
# 根据当前词选出具有context的上下文信息 统一用词的id表示
# 更多信息请关注:Relation Classification via Convolutional Deep Neural Network 论文当中叫做 sentence features
sentences_fatures = []
# 生成数据 标记0和1 将词用词id表示 'words', 'pos_taggings', 'marks', 'label'
for instance in batch_instances:
words = instance.words
pos_taggings = instance.pos_taggings
marks = instance.marks
# 'label_event', 'label_role'
label_event = instance.label_event
label_role = instance.label_role
# print ", ".join(words)
# 找出当前句子的候选词下标 这里强制规定一个句子只能有一个候选词
index_candidates = find_candidates(marks, ['B'])
# print "index_candidate:{}".format(index_candidates)
# print ", ".join(words)
assert (len(index_candidates)) == 1
# 找出当前句子的触发词下标 这里强制规定一个句子只能有一个触发词
index_triggers = find_candidates(marks, ['T']) # 找出当前句子的触发词的下标id
# print "index_triggers:{}".format(index_triggers)
assert (len(index_triggers)) == 1
# print index_triggers
y_event.append(label_event) # 事件类别
y_role.append(label_role)
# 长度不够 人工标注标签填充
marks = marks + ['A'] * (self.max_sequence_length - len(marks))
# print marks
# 长度不够 单词填充
words = words + ['<eos>'] * (self.max_sequence_length - len(words))
# print ", ".join(words)
# 长度不够 词性填充
pos_taggings = pos_taggings + ['*'] * (self.max_sequence_length - len(pos_taggings))
# 添加预先训练的word2vec数据 生成sentence features
# 这里采用的是事先创建一个向量 然后在相应位置插入合适的数据
x_w2c_s = np.zeros(shape=(self.max_sequence_length, self.embedding_size))
for i in range(self.max_sequence_length):
w_s = words[i] # 当前词
if w_s in self.word2vec: # word2vec训练集中存在该词
x_w2c_s[i] = self.word2vec[w_s]
else:
continue # 如果不存在就直接用0表示
x_w2v.append(x_w2c_s)
# 词性转换为词性id
pos_taggings = map(lambda x: self.pos_taggings_id[x], pos_taggings)
pos_tag.append(pos_taggings)
sentence_fatures_pos_tags = get_context_features(pos_taggings, epos_id=pos_eos_id, windows=self.windows)
# 触发词及其上下文的词性id
t_pos_tag.append(sentence_fatures_pos_tags[index_triggers[0]])
# 候选词及其上下文的词性id
c_pos_tag.append(sentence_fatures_pos_tags[index_candidates[0]])
# 将当前句子的词转换为词的id
index_words = map(lambda x: self.word_id[x], words)
# x 就是词向量组成的句子特征
x.append(index_words)
sentence_fatures = get_context_features(index_words, epos_id=eos_id, windows=self.windows)
# 由每一个句子当中的词的上下文组成的词组成
sentences_fatures.append(sentence_fatures)
# 依据候选词在句子当中的位置 选取候选词的context
c_context.append(sentence_fatures[index_candidates[0]])
c_contexe_s_ws = map(lambda x: self.all_words[x], sentence_fatures[index_candidates[0]])
# print ", ".join(c_contexe_s_ws)
# 根据候选词 选取候选词的context的word2vec特征
c_w2v_s = np.zeros(shape=(self.windows, self.embedding_size))
for i in range(self.windows):
w_s = c_contexe_s_ws[i] # 当前词
if w_s in self.word2vec: # word2vec训练集中存在该词
c_w2v_s[i] = self.word2vec[w_s]
else:
continue # 如果不存在就直接用0表示
c_w2v.append(c_w2v_s)
# 依据触发词在句子当中的位置 选取触发词的context
t_context.append(sentence_fatures[index_triggers[0]])
# 根据触发词 选取触发词的context的word2vec特征
t_contexe_s_ws = map(lambda x: self.all_words[x], sentence_fatures[index_triggers[0]])
# print "|".join(t_contexe_s_ws)
t_w2v_s = np.zeros(shape=(self.windows, self.embedding_size))
for i in range(self.windows):
w_s = t_contexe_s_ws[i]
if w_s in self.word2vec:
t_w2v_s[i] = self.word2vec[w_s]
else:
continue
t_w2v.append(t_w2v_s)
# 候选词位置向量
pos_candidate = range(-index_candidates[0], 0) + range(0, self.max_sequence_length - index_candidates[0])
pos_c.append(pos_candidate)
# 触发词位置向量
pos_trigger = range(-index_triggers[0], 0) + range(0, self.max_sequence_length - index_triggers[0])
pos_t.append(pos_trigger)
# 根据句子当中触发词的下标id找出其在词表当中的位置 并进行填充
t.append([index_words[index_triggers[0]]] * self.max_sequence_length)
# 根据句子当中候选词的下标id找出其在词表当中的位置 并进行填充
c.append([index_words[index_candidates[0]]] * self.max_sequence_length)
# 确定长度是否一致
assert len(words) == len(marks) == len(pos_taggings) == len(index_words) == len(sentence_fatures) == len(
pos_candidate) == len(pos_trigger)
assert len(sentences_fatures) == len(y_event) == len(y_role) == len(x) == len(t) == len(c) == len(pos_c) == len(
pos_t) == len(
pos_tag) == len(x_w2v) == len(c_w2v) == len(t_w2v) == len(t_pos_tag) == len(c_pos_tag)
# 记录触发词和候选词所在句子当中的位置 并且生成触发词位置矩阵和候选词位置矩阵
# x:(词的id) t:触发词(词的id) c:候选词(词的id) y_event:事件的类别(类别id) y_role:角色的类别 pos_c:候选词位置向量 pos_t: 触发词位置向量
# c_context 候选词的上下文信息 t_context 触发词的上下文信息 pos_tag 句子的词性 x_w2v 句子的word2vec特征 t_w2v 触发词的word2vec特征 c_w2v 候选词的word2vec特征
# t_pos_tag 触发词词性 c_pos_tag 候选词词性
return x, t, c, one_hot(y_event, self.labels_event_size), one_hot(y_role, \
self.labels_role_size), pos_c, pos_t, sentences_fatures, c_context, t_context, pos_tag, \
np.array(x_w2v), np.array(t_w2v), np.array(c_w2v), t_pos_tag, c_pos_tag
"""
测试代码 john.zhang 2016-12-22 已验证 正确
"""
# datas = datasets()
# print datas.all_marks
# x, t, c, y_event, y_role, pos_c, pos_t, sentences_fatures, c_context, t_context, pos_tag, x_w2c, t_w2v, c_w2v,\
# t_pos_t, c_pos_t = datas.eval_cnn_data()
# for i in range(len(x)):
# print "原始句子:{}".format(", ".join(map(lambda x: datas.all_words[x], x[i])))
# print "词性:{}".format(", ".join(map(lambda x: datas.all_pos_taggings[x], pos_tag[i])))
# print "触发词:{}".format(", ".join(map(lambda x: datas.all_words[x], t[i])))
# print "候选词:{}".format(", ".join(map(lambda x: datas.all_words[x], c[i])))
# print "事件类型:{}".format(y_event[i])
# print "角色类别:{}".format(y_role[i])
# print "候选词位置向量:{}".format(pos_c[i])
# print "触发词位置向量:{}".format(pos_t[i])
# print "候选词的上下文:{}".format(", ".join(map(lambda x: datas.all_words[x], c_context[i])))
# print "触发词上下文词性:{}".format(", ".join(map(lambda x: datas.all_pos_taggings[x], t_pos_t[i])))
# print "候选词上下文词性:{}".format(", ".join(map(lambda x:datas.all_pos_taggings[x], c_pos_t[i])))
# print "触发词的上下文:{}".format(", ".join(map(lambda x: datas.all_words[x], t_context[i])))
#
# context_words = map(lambda contexts: map(lambda x: datas.all_words[x], contexts), sentences_fatures[i])
# for context_word in context_words:
# print "上下文特征:{}".format(", ".join(context_word))