《基于篇章结构图网络的话题分割》(Topic Segmentation via Discourse Structure Graph Network)

该仓库包含了《基于篇章结构图网络的话题分割》文章的代码和数据集，代码使用pytorch框架实现。 我们的工作主要基于《Text Segmentation as a Supervised Learning Task》 ，它的源代码是text-segmentation。 另外，我们的模型灵感主要来自于 《Every Document Owns Its Structure: Inductive Text Classification via Graph Neural Networks》(TextING的代码) 以及 《Graph Convolutional Networks for Text Classification》(TextGCN的代码)。 谢谢他们的工作。

论文简介

我们提出了一个基于篇章结构图网络的话题分割模型——DSG-SEG，如上图所示.具体的，模型把每一个篇章单独构建成图，图中包含了单词、句子节点，以及单词节点之间、单词和句子节点之间的邻接关系；接着，模型把图作为输入，对GGNN网络进行迭代，句子节点之间因此通过共有的邻接单词节点产生了间接的信息交互；最终，模型得到了具有全局语义信息的句子向量表示，并将其送入Bi-LSTM网络进行分割点的预测。

我们对比了六种基准模型:freq-sr\latent-sr\tree-sr-left\TextSeg\Bert+Bi-LSTM\Bert+Bi-LSTMnft（除TextSeg外，其它基准模型皆为我们复现）我们的模型在诸多数据集上同时取得了最好的结果指标和时间性能。

环境配置

python3.7

conda create -n textseg python=3.7
conda activate textseg

python依赖库

pip install -r requirements.txt

资源获取

假设所有资源保存在/data路径下，完成这部分，你将得到:
查看文件结构

glove:
wget http://nlp.stanford.edu/data/glove.6B.zip
unzip glove.6B.zip
rm glove.6B.(50d|100d|200d).txt

word2vec:
wget https://s3.amazonaws.com/dl4j-distribution/GoogleNews-vectors-negative300.bin.gz
gzip -d GoogleNews-vectors-negative300.bin.gz
解压完毕得到:GoogleNews-vectors-negative300.bin

WIKI_727K:
wget https://www.dropbox.com/sh/k3jh0fjbyr0gw0a/AADzAd9SDTrBnvs1qLCJY5cza?dl=0&preview=wiki_727K.tar.bz2
tar -xjf wiki_727K.tar.bz2

wiki_test_50:
wget https://www.dropbox.com/sh/k3jh0fjbyr0gw0a/AADzAd9SDTrBnvs1qLCJY5cza?dl=0&preview=wiki_test_50.tar.bz2
tar -xjf wiki_test_50.tar.bz2

WIKI-SECTION:
wget https://github.com/sebastianarnold/WikiSection/raw/master/wikisection_dataset_ref.tar.gz
mkdir wikisection & tar -zxvf wikisection_dataset_ref.tar.gz -C wikisection

CHOI:
手动下载 https://github.com/koomri/text-segmentation/tree/master/data/choi
mkdir choi
放入文件夹

MANIFESTO:
手动下载 https://github.com/koomri/text-segmentation/tree/master/data/manifesto
mkdir manifesto
放入文件夹

CLINICAL:
手动下载 https://github.com/pinkeshbadjatiya/neuralTextSegmentation/tree/master/code/data/clinical
mkdir clinical
放入文件夹

CITIES:
wget http://groups.csail.mit.edu/rbg/code/mallows/data/wikicities-english.tar.gz
tar -zxvf wikicities-english.tar.gz
rm -r wikicities-english/test
mv wikicities-english/training/* wikicities-english/
rm -r wikicities-english/training
mv wikicities-english wikicities

ELEMENTS:
wget http://groups.csail.mit.edu/rbg/code/mallows/data/wikielements.tar.gz
tar -zxvf wikielements.tar.gz

代码运行

查看代码结构
两个修改:

1. 永久修改parameters.py中，各个资源的路径，如parser.add_argument("--wiki_path",type=str, default="/data/wiki_727")
2. 永久修改parameters.py中，保存dataset和encoder的路径(用于避免重复读取)，如parser.add_argument("--dataset_dir",type=str, default="/data/saved_dataset")
   样例:

python run.py [--etype {one_hot,glove,w2v,bert}] [--encoder_fine_tune]
              [--sr_choose {f_model,l_model,s_model,t_model,g_model,b_model,random_baseline}]
              [--tr_choose {balanced,left,right}]
              [--gr_choose {texting,DSE_SEG}]
              ...

DSG_GCN:

python run.py --sr_choose=g_model --gr_choose=DSE_SEG

-SENTNODE:

python run.py --sr_choose=g_model --gr_choose=texting

-PMI:

python run.py --sr_choose=g_model --gr_choose=DSG_SEG --pmi

Bert+Bi-LSTMnft:

python run.py --etype=bert --sr_choose=b_model --length_filter=64

TextSeg:

python run.py --sr_choose=s_model

Bert+Bi-LSTM:

python run.py --etype=bert --sr_choose=b_model --length_filter=40 --sent_num_filter=60 --train_bs=3 --encoder_fine_tune

tree-sr-left

python run.py --sr_choose=t_model --tr_choose=left --length_filter=40 --sent_num_filter=60

freq-sr:

python run.py --etype=one-hot --sr_choose=f_model

latent-sr:

python run.py --etype=one-hot --sr_choose=l_model

random-baseline:

python run.py --sr_choose=random_baseline --infer --train_bs=1 --dev_bs=1 --test_bs=1