KagNet 开源项目教程

1. 项目介绍

KagNet 是一个用于常识推理的知识感知图网络模型，由 USC INK 实验室开发。该模型在 EMNLP-IJCNLP 2019 会议上提出，旨在通过利用外部结构化的常识知识图谱来执行可解释的推理。KagNet 的核心思想是将问题-答案对从语义空间映射到知识图谱的符号空间，并通过图卷积网络和 LSTM 结合层次路径注意力机制来表示和评分答案。

2. 项目快速启动

2.1 环境准备

首先，确保你的系统已经安装了以下依赖：

sudo apt-get install graphviz libgraphviz-dev pkg-config
conda create -n kagnet_test python==3.6.3
conda activate kagnet_test
pip install torch torchvision
pip install tensorflow-gpu==1.10.0
conda install faiss-gpu cudatoolkit=10.0 -c pytorch -n kagnet_test
pip install nltk
conda install -c conda-forge spacy -n kagnet_test
python -m spacy download en
pip install jsbeautifier
pip install networkx
pip install dgl
pip install pygraphviz
pip install allennlp

2.2 下载和预处理数据

下载 CommonsenseQA 数据集并进行预处理：

cd datasets
mkdir csqa_new
wget -P csqa_new https://s3.amazonaws.com/commensenseqa/train_rand_split.jsonl
wget -P csqa_new https://s3.amazonaws.com/commensenseqa/dev_rand_split.jsonl
wget -P csqa_new https://s3.amazonaws.com/commensenseqa/test_rand_split_no_answers.jsonl
python convert_csqa.py csqa_new/train_rand_split.jsonl csqa_new/train_rand_split.jsonl.statements
python convert_csqa.py csqa_new/dev_rand_split.jsonl csqa_new/dev_rand_split.jsonl.statements
python convert_csqa.py csqa_new/test_rand_split_no_answers.jsonl csqa_new/test_rand_split_no_answers.jsonl.statements

2.3 概念接地和图构建

进行概念接地和图构建：

cd grounding
python batched_grounding.py generate_bash "datasets/csqa_new/train_rand_split.jsonl.statements"
bash cmd.sh
python batched_grounding.py combine "datasets/csqa_new/train_rand_split.jsonl.statements"
python prune_qc.py datasets/csqa_new/train_rand_split.jsonl.statements mcp

2.4 训练 KagNet 模型

使用预处理的数据训练 KagNet 模型：

cd models
python main.py

3. 应用案例和最佳实践

KagNet 主要应用于需要常识推理的任务，如问答系统、对话系统等。通过结合外部知识图谱，KagNet 能够提供更准确和可解释的推理结果。最佳实践包括：

• 数据预处理：确保数据集的格式和内容符合 KagNet 的要求。
• 模型调优：根据具体任务调整模型参数，如学习率、批量大小等。
• 结果解释：利用 KagNet 的层次路径注意力机制，解释模型的推理过程。

4. 典型生态项目

• ConceptNet：作为 KagNet 的主要外部知识图谱资源，ConceptNet 提供了丰富的常识知识。
• CommonsenseQA：KagNet 在 CommonsenseQA 数据集上取得了最先进的性能，该数据集是评估常识推理模型的标准基准。
• BERT：KagNet 结合了 BERT 模型进行文本表示，进一步提升了模型的性能。

通过这些生态项目的结合，KagNet 能够更好地应用于实际的常识推理任务中。