诸神缄默不语-个人CSDN博文目录

1. 什么是事件抽取与关系抽取？

事件抽取是指从文本中识别出与某些“事件”相关的信息。这些事件通常包括动作、参与者、时间、地点等关键信息。

关系抽取则是从文本中识别并提取不同事件之间的关联，常见的关系包括因果关系和时序关系等。

2. 示例：使用大语言模型进行事件抽取与关系抽取

在本博文中，我们将通过一个简单的示例来展示如何使用智谱AI进行事件抽取和关系抽取。
对智谱AI的更多使用方式介绍可参考我撰写的另一篇博文：如何调用GLM-4 API实现智能问答

示例代码：

import logging
from zhipuai import ZhipuAI
import csv
import json# 初始化客户端
client = ZhipuAI(api_key="YOUR_ZHIPU_API_KEY"  # 替换为你的API密钥
)# 初始化日志记录
logging.basicConfig(filename=r"event_extraction_logs\process_log.log",  # 日志文件名level=logging.INFO,  # 设置日志级别format="%(asctime)s - %(levelname)s - %(message)s",  # 日志格式
)# 用户提示模板：事件抽取 + 关系抽取
user_prompt = """Based on the following example, extract events and their related attributes (主体、客体、触发词、时间、地点) as well as relationships (因果关系、时序关系) from the provided text.# EVENT EXTRACTION EXAMPLE:
Input text:
"甲公司在2023年5月成功收购了乙公司，导致了双方在市场上的竞争加剧。"Output:
{"事件抽取": [{"事件1": "甲公司收购乙公司","参与主体": "甲公司","参与客体": "乙公司","触发词": "收购","时间": "2023年5月","地点": "无"},{"事件2": "竞争加剧","参与主体": "甲公司、乙公司","参与客体": "市场","触发词": "加剧","时间": "无","地点": "市场"}],"关系抽取": [{"因果关系": {"因事件": "甲公司收购乙公司","果事件": "竞争加剧"}},{"时序关系": {"事件1": "甲公司收购乙公司","事件2": "竞争加剧"}}]
}Input text:
"2024年4月，华为公司宣布将进入新能源汽车市场，并计划在未来三年内投资100亿人民币。"
Output:
{"事件抽取": [{"事件1": "华为公司进入新能源汽车市场","参与主体": "华为公司","参与客体": "新能源汽车市场","触发词": "进入","时间": "2024年4月","地点": "新能源汽车市场"},{"事件2": "投资100亿人民币","参与主体": "华为公司","参与客体": "100亿人民币","触发词": "投资","时间": "未来三年","地点": "无"}],"关系抽取": [{"因果关系": "无"},{"时序关系": {"事件1": "华为公司进入新能源汽车市场","事件2": "投资100亿人民币"}}]
}Input text:
"2024年6月，张三开始在甲公司工作，接着他于2024年7月参与了一个重要项目，并在项目结束后的2024年9月晋升为经理。"
Output:
{"事件抽取": [{"事件1": "张三开始在甲公司工作","参与主体": "张三","参与客体": "甲公司","触发词": "开始","时间": "2024年6月","地点": "甲公司"},{"事件2": "张三参与了重要项目","参与主体": "张三","参与客体": "重要项目","触发词": "参与","时间": "2024年7月","地点": "无"},{"事件3": "张三晋升为经理","参与主体": "张三","参与客体": "经理","触发词": "晋升","时间": "2024年9月","地点": "无"}],"关系抽取": [{"因果关系": {"因事件": "张三开始在甲公司工作","果事件": "张三参与了重要项目"}},{"因果关系": {"因事件": "张三参与了重要项目","果事件": "张三晋升为经理"}},{"时序关系": {"前事件": "张三开始在甲公司工作","后事件": "张三参与了重要项目"}},{"时序关系": {"前事件": "张三参与了重要项目","后事件": "张三晋升为经理"}}]
}# Input text:
{specification}# Output:
"""# 系统提示
system_prompt = """You are a text information extraction engineer specializing in event extraction and relationship extraction.
Your task is to:
1. Extract events and their attributes: "事件", "参与主体", "参与客体", "触发词", "时间", "地点".
2. Identify relationships between events: "因果关系" and "时序关系".
Return the output as a JSON object with two main sections: "事件抽取" and "关系抽取".
"""# 定义函数：调用 ZhipuAI 接口进行事件抽取
def extract_events_and_relations(text):message = [{"role": "user", "content": user_prompt.replace("{specification}", text)},{"role": "assistant", "content": system_prompt},]try:response = client.chat.completions.create(model="glm-4", messages=message, temperature=0.2  # 替换为你要使用的模型名称)return response.choices[0].message.content.strip()except Exception as e:logging.error(f"Error while calling API: {e}")return None# 主逻辑：读取 CSV 文件并进行事件抽取
def process_csv(input_csv_path, output_json_path):results = []# 读取 CSV 文件with open(input_csv_path, mode="r", encoding="utf-8") as csv_file:csv_reader = csv.reader(csv_file)header = next(csv_reader)  # 跳过表头# 遍历每一行文本进行事件抽取for row in csv_reader:if row:  # 确保该行不为空text = row[0]  # 假设文本位于 CSV 的第一列logging.info(f"Processing text: {text}")extracted_info = extract_events_and_relations(text)if extracted_info:try:# 将结果解析为 JSONparsed_info = json.loads(extracted_info)results.append(parsed_info)except json.JSONDecodeError:logging.error(f"Failed to parse JSON for text: {text}")logging.error(f"Response content: {extracted_info}")results.append({"str": extracted_info})# 保存结果到 JSON 文件with open(output_json_path, mode="w", encoding="utf-8") as json_file:json.dump(results, json_file, ensure_ascii=False, indent=4)logging.info(f"事件抽取完成，结果已保存到 {output_json_path}")# 主程序入口
if __name__ == "__main__":input_csv_path = (r"event_extraction_data\input_data.csv"  # 输入的 CSV 文件路径)output_json_path = r"event_extraction_output\output_events.json"  # 输出的 JSON 文件路径logging.info("Starting process...")process_csv(input_csv_path, output_json_path)logging.info("任务完成！")