2018-09-23 运行强化学习进行关系抽取的程序（可能一周才能有结果）
2018-09-27 过程： 工程地址：/home/chenjiafeng/Desktop/TensorFlow_RLRE-master 将训练集，开发集，测试集替换成相应的文件(vec.txt是怎么获取到的)（已完成） 处理类似于 No module named tqdm的异常（已完成）
XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX 运行python3 initial.py生成npy文件（已完成） XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX 运行python3 cnnmodel.py（其中epoch从1开始到3,每次执行1742次） XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX train model reading wordembedding reading training data epoch 1 loss=8.255053 accuracy=0.743333: 10/1742 epoch 1 loss=8.063448 accuracy=0.753333: 10/1742
然后produce reward sentence_ebd average_reward for rlmodel（一共执行280579次） average_reward = -0.21306534111499786
XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX 运行python3 rlmodel.py（一共执行26×280579次） XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
chosen sentence size: 224149 total_reward: -0.24561 best_reward -0.24561
select training data 326941 use the selected data to train cnn model reading wordembedding reading training data epoch 1 loss=0.275411 accuracy=0.950000: epoch 2 loss=0.260439 accuracy=0.943333: epoch 3 loss=0.262039 accuracy=0.946667:
运行python3 cnnrlmodel.py
epoch: 0 chosen sentence size: 326941 total_reward: -0.13297 best_reward -0.13297 average score -0.21285311877727509 best score -0.21285311877727509 update the rlmodel(一共执行280579次) update the cnnmodel(一共执行1090次) produce new embedding(一共执行280579次)
there are 522,611 sentences , 281,270 entity pairs , and 18,252 relational facts in the training data; and 172,448 sentences , 96,678 entity pairs and 1,950 relational facts in the test data.
0：将数据集变成原来的1/10,看一下效率是否可以提高十倍（暂时全量处理） 1：训练关系分类的模型（正在运行，还不知道多久能运行完） 2：训练强化学习的模型 关键点： 1：运行完之后如何获取强化学习生成的数据集
2018-10-01 在联合抽取的数据集上运行强化学习的程序（可能还是一周才有结果） 关键点： 1：把联合抽取的数据集转化成关系抽取的数据集 2：关系的统计与分批处理
运行联合抽取的程序（这个程序自己之前已经运行过了）
删除usr/bin/python后的恢复方法 https://blog.csdn.net/shaojunbo24/article/details/48496133
2018-10-06 1：讲python升级到3.6.5，，，然后继续实验 2：将联合抽取的数据集转化成强化学习的数据集 3：抽取出一批数据 4：用抽取的数据进行实验
2018-10-07 在强化学习抽取的新的数据集上运行联合抽取的程序（可能一周才能有结果） 关键点： 1：强化学习的数据集怎么跟联合抽取的数据集对应起来
2018-10-23 需要把两个词向量文件重新生成一下，起码有一个要重新生成，对照着论文看一下他用的工具 Pre-Trained Word Vectors are learned from New York Times Annotated Corpus (LDC Data LDC2008T19) Entity embeddings are randomly initialized. The number of entities in the entity embedding should be the same with the number of entities in train.txt.