AllenNLP BERT SRL输入格式("OntoNotes诉5.0格式化“)

Question

目标是在另一个数据集上对BERT SRL进行培训。根据配置的说法，它需要conll-formatted-ontonotes-5.0。

本机，我的数据以CoNLL格式出现，并将其转换为GitHub版的OntoNotes v.5.0的conll格式-ontonotes-5.0格式。读取数据和培训似乎有效，只是精度保持在0。我怀疑SRL参数的编码(BOI还是短语？)或者列结构(其他OntoNotes版本的CoNLL格式在这里不同)与预期的输入不同。或者，可能会出现错误，因为如果角色标签是硬连接在代码中的.我在使用long form (ARGM-TMP)时遵循了引用数据，但在其他数据中经常会看到短表单(AM-TMP)。

问题是这里需要哪种数据集和格式。我想这是OntoNotes 5.0的CoNLL/Skel格式之一，它有一个恢复的WORD列，但是

• CoNLL版似乎没有随OntoNotes最不发达国家版一起发布
• 它似乎不是由OntoNotes创建者提供的GitHub上的“conll格式化- OntoNotes -5.0”版本的格式。
• 至少还有一个OntoNotes 5.0数据的其他CoNLL/Skel版本作为PropBank的一部分。这与另一列的不同之处在于省略了3列和谓词的编码。(对于我的部分数据，这是本机格式。)
• SrlReader文档提到了BIO (IOBES)编码。事实上，这在其他CoNLL版本的PropBank数据中已经使用过，但在上面提到的OntoNotes语料库中却没有使用。其他类似的格式有CoNLL-2008和CoNLL-2009格式，以及不同的变体。

在我开始反向工程SrlReader之前，是否有人手头有一个数据片段，以便我能够相应地准备我的数据？

我的数据的conll-formatted-ontonotes-5.0版本(来自EWT语料库的示例)：

google/ewt/answers/00/20070404104007AAY1Chs_ans.xml 0   0   where   WRB (TOP(S(SBARQ(WHADVP*)   -   -   -   -   *   (ARGM-LOC*) *   *   -
google/ewt/answers/00/20070404104007AAY1Chs_ans.xml 0   1   can MD  (SQ*    -   -   -   -   *   (ARGM-MOD*) *   *   -
google/ewt/answers/00/20070404104007AAY1Chs_ans.xml 0   2   I   PRP (NP*)   -   -   -   -   *   (ARG0*) *   *   -
google/ewt/answers/00/20070404104007AAY1Chs_ans.xml 0   3   get VB  (VP*    get 01  -   -   *   (V*)    *   *   -
google/ewt/answers/00/20070404104007AAY1Chs_ans.xml 0   4   morcillas   NNS (NP*)   -   -   -   -   *   (ARG1*) *   *   -

Answer 1

“原生”格式是CoNLL-2012版本的格式，参见cemantix.org/conll/2012/data.html如何创建它。

但是，读取它的Ontonotes类在解析“本机”CoNLL-2012数据时可能遇到困难，因为CoNLL-2012预处理脚本可能导致无效的解析树。使用NLTK进行解析自然会导致ValueError，如

ValueError: Tree.read(): expected ')' but got 'end-of-string'
            at index 1427.
                "...LT#.#.) ))"

在数据级别上没有解决这一问题的直接方法，因为解析的字符串是中间表示，而不是原始数据。如果要处理CoNLL-2012数据，则必须捕获ValueError，cf。https://github.com/allenai/allennlp/issues/5410。