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 JSON
parsed_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！")
