-
Notifications
You must be signed in to change notification settings - Fork 2
/
DataProcessers.py
950 lines (810 loc) · 49.3 KB
/
DataProcessers.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
from copy import deepcopy
import random
import ipdb
from openprompt.data_utils.utils import InputExample
import os
import json, csv
from abc import ABC, abstractmethod
from collections import defaultdict, Counter
from typing import List, Dict, Callable,Optional
import re
import spacy
spacier = spacy.load('en_core_web_sm')
def set_custom_boundaries(doc):
'''Sometimes, spacy set < and > as end of sentence.
This custom boundary will fix that bug. '''
for token in doc[:-1]:
if ">" in token.text or "<" in token.text :
doc[token.i].is_sent_start = False
doc[token.i+1].is_sent_start = False
return doc
#add custom boundary once
spacier.add_pipe(set_custom_boundaries, before="parser")
from openprompt.utils.logging import logger
from openprompt.data_utils.data_processor import DataProcessor
from DocumentalAMR import DocumentalAmrGraph,load_amrs_to_graph,parse_RAMS,load_document_amr
class RAMSProcesser (DataProcessor):
def __init__(self):
super().__init__()
self.labels = None
def get_event_type(self,ex):
evt_type = []
for evt in ex['evt_triggers']:
for t in evt[2]:
evt_type.append( t[0])
return evt_type
def load_ontology(self, ontology_file):
# read ontology
ontology_dict = {}
with open(ontology_file,'r',encoding='utf8') as f:
for lidx, line in enumerate(f):
if lidx == 0: # header
continue
fields = line.strip().split(',')
if len(fields) < 2:
break
evt_type = fields[0]
args = fields[2:]
ontology_dict[evt_type] = {
'template': fields[1]
}
for i, arg in enumerate(args):
if arg != '':
ontology_dict[evt_type]['arg{}'.format(i + 1)] = arg
ontology_dict[evt_type][arg] = 'arg{}'.format(i + 1)
return ontology_dict
def create_gold_gen(self, ex, ontology_dict, mark_trigger=True):
'''assumes that each line only contains 1 event.
Input: <s> Template with special <arg> placeholders </s> </s> Passage </s>
Output: <s> Template with arguments and <arg> when no argument is found.
'''
evt_type = self.get_event_type(ex)[0]
context_words = [w for sent in ex['sentences'] for w in sent]
template = ontology_dict[evt_type.replace('n/a', 'unspecified')]['template'].replace('.',',')
input_template = re.sub(r'<arg\d>', '<arg>', template)
for triple in ex['gold_evt_links']:
trigger_span, argument_span, arg_name = triple
try:
arg_num = ontology_dict[evt_type.replace('n/a', 'unspecified')][arg_name]
except:
continue # err annotation
arg_text = ' '.join(context_words[argument_span[0]:argument_span[1] + 1])
template = re.sub('<{}>'.format(arg_num), arg_text, template)
template = re.sub(r'<arg\d>', '<arg>', template) # to guarantee no arg\d remains in templates
# replace <arg> with arg_type
# for empty_arg_num in re.findall(r'<arg\d>', template):
# arg_name=ontology_dict[evt_type.replace('n/a', 'unspecified')][empty_arg_num[1:-1]]
# arg_name=re.split(r'\d+',arg_name)[-1]
# template = template.replace(f'{empty_arg_num}', arg_name)
# arg_endpos=template.find(arg_name) + len(arg_name)+1
# if arg_endpos<=len(template)-1 and arg_name.startswith(template[arg_endpos:arg_endpos+min(len(empty_arg_num),3)]):
# template=re.sub(empty_arg_num,'', template)
# else:
# template=template.replace(f'{empty_arg_num}',arg_name)
return input_template,template
def get_examples(self, data_dir: str, split: str,**kwargs) -> List[InputExample]:
examples,ex_dicts,amrs,= [],[],[]
path = os.path.join(data_dir, "{}.jsonl".format(split))
ontology_dict=self.load_ontology(kwargs['ontology_file'])
doc_keys=json.load(open(os.path.join(data_dir,'doc_keys', "{}.json".format(split)))) # for few_shot learning
with open(path) as f:
all_dict = f.readlines()
cnt=0
for i, line in enumerate(all_dict):
instance = json.loads(line)
if instance['doc_key'] not in doc_keys or ('evt_key' in instance.keys() and instance['evt_key'] not in doc_keys):
continue
event_type = self.get_event_type(instance)[0]
trigger_id = instance["evt_triggers"][0][0]
evt_links=deepcopy(instance['gold_evt_links'])
sentences_tk = sum(instance['sentences'], [])
try:
trigger_text=sentences_tk[trigger_id]
except:
ipdb.set_trace()
trigger_text=instance['trigger_text']
if kwargs['data_part']=='full':
input_template, tgt_text = self.create_gold_gen(instance, ontology_dict)
else: # curriculum learnig
ex = deepcopy(instance)
if evt_links == []:
input_template, tgt_text = self.create_gold_gen(instance, ontology_dict)
if kwargs['data_part']=='easy':
sentences_tk=instance['sentences'][0]
else : # to find sent with trigger inside
sent_len = 0
sent_w_trg = 0
for sentid in range(len(instance['sentences'])):
if sent_len < trigger_id and (sent_len + len(instance['sentences'][sentid])) > trigger_id:
boundery = (sent_len, sent_len + len(instance['sentences'][sentid]))
sent_w_trg = sentid
break
sent_len += len(instance['sentences'][sentid])
if kwargs['data_part']=='easy':# intra sentence learning
try:
ex['sentences'] = [instance['sentences'][sent_w_trg]]
except:
ipdb.set_trace()
sentences_tk=instance['sentences'][sent_w_trg]
for ent in ex["ent_spans"]:
ent[0]-=boundery[0]
ent[1] -= boundery[0]
for trg in ex["evt_triggers"]:
trg[0]-=boundery[0]
trg[1] -= boundery[0]
for lkid,link in enumerate(evt_links): # modify links inside boundary
arg_spn=link[1]
if arg_spn[1]<boundery[1] and arg_spn[0]>=boundery[0]:
ex['gold_evt_links'][lkid][1]=[arg_spn[0]-boundery[0],arg_spn[1]-boundery[0]]
ex['gold_evt_links'][lkid][0]=[link[0][0]-boundery[0],link[0][1]-boundery[0]]
for lkid, link in enumerate(evt_links): # remove links outside boundary
arg_spn = link[1]
if arg_spn[1] < boundery[0] or arg_spn[0] >= boundery[1]:
ex['gold_evt_links'].remove(link)
input_template, tgt_text = self.create_gold_gen(ex, ontology_dict)
elif kwargs['data_part']=='Given2For13': # sentence1,3 learning
ex['sentences'] = instance['sentences'][sent_w_trg - 1:sent_w_trg + 2]
newbdry0 = boundery[0] - (len(instance['sentences'][sent_w_trg - 1]) if sent_w_trg-1 >=0 else 0)
newbdry1 = boundery[1] + (len(instance['sentences'][sent_w_trg + 1]) if sent_w_trg + 1 < len(instance['sentences']) else 0)
boundery=(newbdry0,newbdry1)
inner_boundary = (len(sum(instance['sentences'][:sent_w_trg], [])),
len(sum(instance['sentences'][:sent_w_trg + 1], [])))
arg_texts=[]
for lkid,link in enumerate(evt_links): # modify links inside boundary
arg_spn = link[1]
if arg_spn[1]<boundery[1] and arg_spn[0]>boundery[0]:
ex['gold_evt_links'][lkid][1]=[arg_spn[0]-boundery[0],arg_spn[1]-boundery[0]]
ex['gold_evt_links'][lkid][0]=[link[0][0]-boundery[0],link[0][1]-boundery[0]]
if arg_spn[1]<inner_boundary[0] or arg_spn[0]>inner_boundary[1]:
arg_texts.append(' '.join(sentences_tk[arg_spn[0]:arg_spn[1] + 1]))
for lkid, link in enumerate(evt_links): # remove links outside boundary
arg_spn = link[1]
if arg_spn[1] < boundery[0] or arg_spn[0] > boundery[1]:
ex['gold_evt_links'].remove(link)
_, tgt_text = self.create_gold_gen(ex, ontology_dict)
input_template = tgt_text
for arg in arg_texts:
input_template = input_template.replace(arg, '<arg>')
sentences_tk = sum(ex['sentences'], [])
elif kwargs['data_part']=='Given123For04': # sentence1,3 learning
inner_boundary = (len(sum(instance['sentences'][:sent_w_trg-1], [])),
len(sum(instance['sentences'][:sent_w_trg + 2], [])))
arg_texts=[]
# record=False
for lkid,link in enumerate(evt_links): # record spans outside inner boundery
arg_spn = link[1]
if arg_spn[1]<inner_boundary[0] or arg_spn[0] >= inner_boundary[1]:
arg_texts.append(' '.join(sentences_tk[arg_spn[0]:arg_spn[1] + 1]))
# record=True
# if len(evt_links)<3: record=False
_, tgt_text = self.create_gold_gen(ex, ontology_dict)
input_template = tgt_text
for arg in arg_texts:
input_template = input_template.replace(arg, '<arg>')
elif kwargs['data_part']=='Given2For0134': # inter sentence learning
inter_args=[]
for link in evt_links:# collect args outside boundary
arg_spn=link[1]
if arg_spn[1]<boundery[0] or arg_spn[0]>boundery[1]:
inter_args.append(' '.join(sentences_tk[arg_spn[0]:arg_spn[1]]))
_, tgt_text = self.create_gold_gen(ex, ontology_dict)
input_template=tgt_text
for arg in inter_args:
input_template=input_template.replace(arg,'<arg>')
doc = ' '.join(sentences_tk)
doc = re.sub(r'[\u201c\u201d]', '\"', doc)
doc = re.sub(r'[\u2019\u2018]', '\'', doc)
doc = re.sub(r'[—–]', '-', doc)
try:
doc = re.sub(trigger_text, '<trg>' + trigger_text + '<trg>', doc)
except:
ipdb.set_trace()
example = InputExample(guid=str(i) + '.' + split, text_a=doc,
text_b=input_template, tgt_text=tgt_text, label=1,
meta={'event_type': event_type, 'evt_links': evt_links,
# 'sentences': instance['sentences'],
'trigger_text': trigger_text, 'trigger_id': trigger_id,
'doc_key': instance['doc_key']})
# ex_dicts.append(ex)
# if record:
examples.append(example)
if 'k_shot' in kwargs and kwargs['k_shot']!=None:
random.shuffle(examples)
examples=examples[:kwargs['k_shot']]
print(cnt)
return examples#,ex_dicts
def get_src_tgt_len_ratio(self, ):
pass
class WikiEventProcesser(DataProcessor):
def __init__(self):
super(WikiEventProcesser, self).__init__()
self.MAX_CONTEXT_LENGTH = 300 # measured in words
self.MAX_LENGTH = 512
self.MAX_TGT_LENGTH = 70
PRONOUN_FILE = 'pronoun_list.txt'
self.pronoun_set = set()
with open(PRONOUN_FILE, 'r') as f:
for line in f:
self.pronoun_set.add(line.strip())
def check_pronoun(self,text):
if text.lower() in self.pronoun_set:
return True
else:
return False
def clean_mention(self,text):
'''
Clean up a mention by removing 'a', 'an', 'the' prefixes.
'''
prefixes = ['the ', 'The ', 'an ', 'An ', 'a ', 'A ']
for prefix in prefixes:
if text.startswith(prefix):
return text[len(prefix):]
return text
def load_ontology(self, ontology_file):
'''
Read ontology file for event to argument mapping.
'''
ontology_dict = {}
with open(ontology_file, 'r') as f:
ontology_dict = json.load(f)
for evt_name, evt_dict in ontology_dict.items():
for i, argname in enumerate(evt_dict['roles']):
evt_dict['arg{}'.format(i + 1)] = argname
# argname -> role is not a one-to-one mapping
if argname in evt_dict:
evt_dict[argname].append('arg{}'.format(i + 1))
else:
evt_dict[argname] = ['arg{}'.format(i + 1)]
return ontology_dict
def create_gold_gen(self, ex, ontology_dict, mark_trigger=True, index=0, ent2info=None, use_info=False,span_range=4,inner_boundary=0):
'''
If there are multiple events per example, use index parameter.
Input: <s> Template with special <arg> 2 </s> </s> Passage </s>
Output: <s> Template with arguments and <arg> when no argument is found.
'''
if use_info and ent2info == None:
raise ValueError('entity to informative mention mapping required.')
evt_type = ex['event_mentions'][index]['event_type']
sentences=ex['sentences']
sentID_w_trigger=ex['event_mentions'][index]['trigger']['sent_id']
template = ontology_dict[evt_type]['template']
# input_template = re.sub(r'<arg\d>', '<arg>', template)
role2arg = defaultdict(list)
for argument in ex['event_mentions'][index]['arguments']:
role2arg[argument['role']].append(argument)
role2arg = dict(role2arg)
# create output template
arg_idx2text = defaultdict(list)
for role in role2arg.keys():
if role not in ontology_dict[evt_type]:
# annotation error
continue
for i, argument in enumerate(role2arg[role]):
use_arg = True
if use_info:
ent_id = argument['entity_id']
if ent_id in ent2info:
arg_text = self.clean_mention(ent2info[ent_id])
if self.check_pronoun(arg_text):
# skipping this argument
use_arg = False
# if arg_text != argument['text']:
# print('Original mention:{}, Informative mention:{}'.format(argument['text'], arg_text))
else:
arg_text = argument['text']
else:
arg_text = argument['text']
# assign the argument index
if i < len(ontology_dict[evt_type][role]):
# enough slots to fill in
arg_idx = ontology_dict[evt_type][role][i]
else:
# multiple participants for the same role
arg_idx = ontology_dict[evt_type][role][-1]
if use_arg:
arg_idx2text[arg_idx].append(arg_text)
## select contents
trigger = ex['event_mentions'][index]['trigger']
offset = 0
# trigger span does not include last index
context_words = ex['tokens']
center_sent = trigger['sent_idx']
document=[]
if len(context_words) > self.MAX_CONTEXT_LENGTH:
cur_len = len(ex['sentences'][center_sent][0])
context_words = [tup[0] for tup in ex['sentences'][center_sent][0]]
if cur_len > self.MAX_CONTEXT_LENGTH:
# one sentence is very long
trigger_start = trigger['start']
start_idx = max(0, trigger_start - self.MAX_CONTEXT_LENGTH // 2)
# end_idx = min(len(context_words), trigger_start + self.MAX_CONTEXT_LENGTH // 2)
context_words = context_words[start_idx: start_idx+self.MAX_CONTEXT_LENGTH]
# context_words = context_words[start_idx: end_idx]
offset = start_idx
else:
# take a sliding window
left = center_sent - 1
right = center_sent + 1
total_sents = len(ex['sentences'])
prev_len = 0
while cur_len > prev_len:
prev_len = cur_len
# try expanding the sliding window
if left >= 0:
left_sent_tokens = [tup[0] for tup in ex['sentences'][left][0]]
if cur_len + len(left_sent_tokens) <= self.MAX_CONTEXT_LENGTH:
context_words = left_sent_tokens + context_words
left -= 1
cur_len += len(left_sent_tokens)
if right < total_sents:
right_sent_tokens = [tup[0] for tup in ex['sentences'][right][0]]
if cur_len + len(right_sent_tokens) <= self.MAX_CONTEXT_LENGTH:
context_words = context_words + right_sent_tokens
right += 1
cur_len += len(right_sent_tokens)
# for sid in range(left+1,right):
# document.append([tup[0] for tup in ex['sentences'][sid][0]])
# update trigger offset
offset = sum([len(ex['sentences'][idx][0]) for idx in range(left + 1)])
assert (len(context_words) <= self.MAX_CONTEXT_LENGTH)
trigger['start'] = trigger['start'] - offset
trigger['end'] = trigger['end'] - offset
if mark_trigger:
prefix = ' '.join(context_words[:trigger['start']])
tgt = ' '.join(context_words[trigger['start']: trigger['end']])
suffix = ' '.join(context_words[trigger['end']:])
context = prefix + ' <trg>' + tgt + '<trg> '+ suffix
else:
context = ' '.join(context_words)
doc=spacier(context)
trg_pos=-1
contextls=[]
clues = ''
for sid,sent in enumerate(doc.sents):
if '<trg>' in sent.text:
trg_pos=sid
if '<trg>' not in sent.text and 'trg' in sent.text :
ipdb.set_trace()
for sid,sent in enumerate(doc.sents):
if sid>=trg_pos-span_range and sid<=trg_pos+span_range:
contextls.append(sent.text)
if inner_boundary>=0 and sid >= trg_pos - inner_boundary and sid <= trg_pos + inner_boundary:
clues+=(' '+sent.text)
context=' '.join(contextls)
if context== '':ipdb.set_trace()
# measure the impact of context_len
omitted_num=0
arg_mentions=sum(list(arg_idx2text.values()),[])
for arg in arg_mentions:
if arg not in context:
omitted_num+=1
# develop clue prompts
input_template=template
for arg_idx, text_list in arg_idx2text.items():
tmpls=text_list.copy()
for argtxt in text_list:
if argtxt not in clues:
tmpls.remove(argtxt)
if tmpls==[]:continue
text=' and '.join(tmpls)
input_template = re.sub('<{}>'.format(arg_idx), text, input_template)
# develop gold template
output_template=template
argtp2argtxt=dict()
for arg_idx, text_list in arg_idx2text.items():
text = ' and '.join(text_list)
output_template = re.sub('<{}>'.format(arg_idx), text, output_template)
arg_type=ontology_dict[evt_type][arg_idx]
argtp2argtxt[arg_type] = text_list
input_template = re.sub(r'<arg\d>', '<arg>', input_template)
output_template = re.sub(r'<arg\d>', '<arg>', output_template)
return input_template, output_template, contextls,context_words, omitted_num, argtp2argtxt
def get_examples(self, data_dir: Optional[str] = None, split: Optional[str] = None,data_part:str='full',recordAsRAMS=False,**kwarg) -> List[InputExample]:
ontology_dict = self.load_ontology(kwarg['ontology_file'])
coref_split = 'dev' if split == 'val' else split
coref_dir=os.path.join(data_dir,'coref')
coref_reader = open(os.path.join(coref_dir, '{}.jsonlines'.format(coref_split)))
examples=[]
omitted_num,ttl_arg_num,ttl_doc_tks,skipped_ent=0,0,0,0
doc_keys=json.load(open(os.path.join(data_dir,'doc_keys', "{}.json".format(split)))) # for few_shot learning
with open(os.path.join(data_dir, '{}.jsonl'.format(split)), 'r') as reader:
for step,(line, coref_line) in enumerate(zip(reader, coref_reader)):
ex = json.loads(line.strip())
corefs = json.loads(coref_line.strip())
assert (ex['doc_id'] == corefs['doc_key'])
if ex['doc_id'] not in doc_keys:
continue
# mapping from entity id to information mention
ent2info = {}
for cidx, cluster in enumerate(corefs['clusters']):
for eid in cluster:
ent2info[eid] = corefs['informative_mentions'][cidx]
for i in range(len(ex['event_mentions'])):
if split == 'train' and len(ex['event_mentions'][i]['arguments']) == 0:
continue
evt_type = ex['event_mentions'][i]['event_type']
if evt_type not in ontology_dict: # should be a rare event type
continue
if data_part=='easy':
span_range=0
inner_boundary=-1 # no inner boundary
elif data_part=='Given2For13':
span_range=1
inner_boundary=0
elif data_part=='Given123For04' :
span_range=4
inner_boundary=1
elif data_part=='full':
span_range=4
inner_boundary=-1 # no inner boundary
input_template, output_template, contextls,context_words,omitted_args,argtp2argtxt = self.create_gold_gen(ex, ontology_dict,
index=i, ent2info=ent2info,
use_info=kwarg['use_info'],
span_range=span_range,inner_boundary=inner_boundary)
if recordAsRAMS:
trigger_span=[ex['event_mentions'][i]['trigger']['start'],ex['event_mentions'][i]['trigger']['end']-1] # -1 to fit the RAMS form, no need to -offset cause we hanled in create_gold_gen already
evt_triggers=[[trigger_span[0],trigger_span[1],[[ex['event_mentions'][i]['event_type']]]]]
entys={}
for enty in ex['entity_mentions']:
entys[enty['id']]=deepcopy(enty)
ent_spans=[]
gold_evt_links=[]
for arg in ex['event_mentions'][i]['arguments']:
start=entys[arg['entity_id']]['start']
end=entys[arg['entity_id']]['end']
ent_spans.append([start,end,[[arg['role'],1.0]]])
gold_evt_links.append([trigger_span,[start,end],arg['role']])
example = InputExample(guid=str(step) + '.' + str(i) + '.' + split, text_a=' '.join(contextls),
label=1,
tgt_text=output_template,
text_b=input_template,
meta={'doc_key':ex['event_mentions'][i]['id'],
'gold_evt_links':gold_evt_links,
'evt_triggers': evt_triggers, 'ent_spans': ent_spans,
'sentences': context_words,
}
)
else:
trigger_text=ex['event_mentions'][i]['trigger']['text']
ttl_arg_num+=ex['event_mentions'][i]['arguments'].__len__()
ttl_doc_tks+=len((' '.join(contextls)).split(' '))
omitted_num+=omitted_args
example = InputExample(guid=str(step)+'.'+ str(i) + '.' + split, text_a=' '.join(contextls), label=1,
tgt_text=output_template,
text_b=input_template,
meta={'evt_type':evt_type,'doc_key':ex['doc_id'],'evt_key':ex['event_mentions'][i]['id'],
'arguments':argtp2argtxt,'trigger_text':trigger_text,'sentences':contextls,
}
)
examples.append(example)
if (step+1)%100==0:
print(f'{step+1} documents handled.')
print(f'{omitted_num} args are discarded due to the limitation of context len.')
print(f'{ttl_arg_num} args in total. Avg doc_len ={ttl_doc_tks/len(examples)}')
return examples
class AmrGraphProcesser(DataProcessor):
def __init__(self):
super().__init__()
self.labels = None
def print_path(self,path,sentences_tk):
path_text=[]
intersentence = False
last_pos = 0
for nid, node in enumerate(path):
if node == {}: continue
# TODO: currently we give up parallel path and only choose one of the shortest paths, future work is to decode all paths
for n, pathdir in node:
if nid == 0:
begin = ' '.join(sentences_tk[n[0]:n[1]])
if nid == len(path) - 1:
end = ' '.join(sentences_tk[n[0]:n[1]])
try:
if n[1] == 'c' or n[1] == 's':
intersentence = True
else:
if pathdir == 1 or pathdir[0] != '-':
path_text.insert(last_pos, ' '.join(sentences_tk[n[0]:n[1]]))
elif pathdir[0] == '-':
last_pos += 1
path_text.insert(last_pos, ' '.join(sentences_tk[n[0]:n[1]]))
except:
ipdb.set_trace()
break # we only decode one path
return path_text,intersentence,begin,end
def get_examples(self, data_dir: str, split: str, dataset='RAMS',**kwargs) -> List[InputExample]:
assert 'train' in split , 'amr graphs are only contained in training data'
examples, amrs = [], []
path = os.path.join(data_dir, "{}.jsonl".format(split))
if not os.path.exists(path):
path = os.path.join(data_dir, "{}.jsonlines".format(split))
with open(kwargs['amr_path'], encoding='utf8') as f:
amrs = f.read()
amrs = amrs.split('\n\n')
amrs = amrs[:-1] if amrs[-1] == "" else amrs
amr_id = 0
doc_keys=json.load(open(os.path.join(data_dir,'doc_keys', "{}.json".format(split)))) # for few_shot learning
with open(path) as f:
all_dict = f.readlines()
err,err_doc = 0,0
for i, line in enumerate(all_dict):
instance = json.loads(line)
if instance['doc_key'] not in doc_keys:
continue
if dataset=='RAMS':
event_type = instance["evt_triggers"][0][2][0][0]
trg_span=(instance['evt_triggers'][0][0],instance['evt_triggers'][0][1])
arg_span2type=dict()
for links in instance["gold_evt_links"]:
arg_span2type[tuple(links[1])]=re.split('[\d]+', links[2])[-1]
keys=[ sp[0] for sp in sorted(arg_span2type.items(), key=lambda x: abs((x[0][0] + x[0][1]) / 2 - trg_span[0]))] # sort by distance from trg to arg
values=[ sp[1] for sp in sorted(arg_span2type.items(), key=lambda x: abs((x[0][0] + x[0][1]) / 2 - trg_span[1]))]
arg_span2type=dict(zip(keys,values))
sentences_tk = sum(instance['sentences'], [])
doc=' '.join(sentences_tk)
doc = re.sub(r'[\u201c\u201d]', '\"', doc)
doc = re.sub(r'[\u2019\u2018]', '\'', doc)
doc = re.sub(r'[—–]', '-', doc)
sentences_tk = (doc).split(' ')
trigger_text = ' '.join(sentences_tk[trg_span[0]:trg_span[1] + 1])
documental_amrs = amrs[amr_id:amr_id + len(instance['sentences'])]
tokens = documental_amrs[0].split('\n')[0]
if not tokens.startswith('# ::tok '):
if tokens.startswith('WrongSample'):
amr_id += 1
while not amrs[amr_id].startswith('evt_mention'):
amr_id += 1
err_doc += 1
continue
else:
ipdb.set_trace()
tokens = tokens[len("# ::tok "):].split(' ')
if tokens[:min(5,len(tokens)-1)]!=sentences_tk[:min(5,len(tokens)-1)] or 'clusters' not in instance: # <ROOT> <trg> # or
if 'clusters' in instance:
# print(tokens[:7],sentences_tk[:7])
amr_id += len(json.loads(all_dict[i - 1])['sentences']) # due to the errs in amr parser are solved by copying previous doc's amr, so we + previous len(sentences)
# ipdb.set_trace()
else:
amr_id += len(instance['sentences'])
err_doc+=1
continue
amr_id += len(instance['sentences'])
graph = load_amrs_to_graph(documental_amrs)
graph.merge_coref({"clusters": instance['clusters'], 'document': instance['document']})
if not graph.tokens[0][0] == sentences_tk[0]: ipdb.set_trace()
elif dataset=='wikievents':
event_type = instance["evt_triggers"][0][2][0][0]
trg_span=(instance['evt_triggers'][0][0],instance['evt_triggers'][0][1])
arg_span2type=dict()
for links in instance["gold_evt_links"]:
arg_span2type[tuple(links[1])]=re.split('[\d]+', links[2])[-1]
keys=[ sp[0] for sp in sorted(arg_span2type.items(), key=lambda x: abs((x[0][0] + x[0][1]) / 2 - trg_span[0]))] # sort by distance from trg to arg
values=[ sp[1] for sp in sorted(arg_span2type.items(), key=lambda x: abs((x[0][0] + x[0][1]) / 2 - trg_span[1]))]
arg_span2type=dict(zip(keys,values))
sentences_tk = sum(instance['sentences'], [])
doc=' '.join(sentences_tk)
doc = re.sub(r'[\u201c\u201d]', '\"', doc)
doc = re.sub(r'[\u2019\u2018]', '\'', doc)
doc = re.sub(r'[—–]', '-', doc)
sentences_tk = (doc).split(' ')
trigger_text = ' '.join(sentences_tk[trg_span[0]:trg_span[1] + 1])
documental_amrs = amrs[amr_id:amr_id + len(instance['sentences'])]
evt_key = documental_amrs[0].split('\n')[0]
if not evt_key.startswith('evt_mention'): ipdb.set_trace()
documental_amrs[0] = '\n'.join(documental_amrs[0].split('\n')[1:])
tokens = documental_amrs[0].split('\n')[0]
if not tokens.startswith('# ::tok '):
if tokens.startswith('WrongSample'):
amr_id +=1
while not amrs[amr_id].startswith('evt_mention'):
amr_id+=1
err_doc += 1
continue
else:
ipdb.set_trace()
tokens = tokens[len("# ::tok "):].split(' ')
if tokens[:min(5,len(tokens)-1)]!=sentences_tk[:min(5,len(tokens)-1)] or 'clusters' not in instance: # <ROOT> <trg> # or
if 'clusters' in instance:
ipdb.set_trace()
print(tokens[:7],sentences_tk[:7])
amr_id += len(json.loads(all_dict[i - 1])['sentences']) # due to the errs in amr parser are solved by copying previous doc's amr, so we + previous len(sentences)
# ipdb.set_trace()
else:
amr_id += len(instance['sentences'])
err_doc+=1
continue
amr_id += len(instance['sentences'])
graph = load_amrs_to_graph(documental_amrs)
graph.merge_coref({"clusters": instance['clusters'], 'document': instance['document']})
if not graph.tokens[0][0] == sentences_tk[0]: ipdb.set_trace()
if kwargs['path_method']=='all_T2As':
for links in instance['gold_evt_links']:
arg_span = links[1]
arg_text = ' '.join(sentences_tk[arg_span[0]:arg_span[1] + 1])
arg_type = re.split('[\d]+', links[2])[-1]
path = graph.BFS((trg_span[0], trg_span[1] + 1), (arg_span[0], arg_span[1] + 1))
if path == None or len(path) == 1:
err += 1
continue
path_text,intersentence,begin,end=self.print_path(path,sentences_tk)
path_text=' '.join(path_text)
example = InputExample(guid=str(i) + '.' + split,label=1,
text_a=' '.join(sentences_tk).replace(trigger_text,'<trg>'+trigger_text+'<trg>'),
tgt_text= path_text.replace(begin,begin+' '+arg_type),
text_b=path_text.replace(begin,"<arg>"+' '+arg_type),
meta={'event_type':event_type, 'trigger_text': trigger_text,
'arg_text': arg_text, 'arg_type': arg_type,
'trigger_span': trg_span, 'arg_span': arg_span,
'path_begin': ' '.join(begin), 'path_end': ' '.join(end)
,'doc_key': instance['doc_key'],})
examples.append(example)
elif kwargs['path_method']=='SteinerTree': # too many bugs in this Lib
NotFound = True
if trigger_text != instance['trigger_text']: continue
# arg_span_1st as the nearest
arg_span_1st=list(arg_span2type.keys())[0]
NotFound=False
if NotFound:
if instance['gold_evt_links']!=[]:
arg_span_1st=list(arg_span2type.keys())[0]
else:
err_doc += 1
continue
A2ApathExist = False
for arg_span in list(arg_span2type.keys()):
if arg_span==arg_span_1st: continue
try:
steinerPath=graph.steinerTree(trigger_span=(trg_span[0], trg_span[1]+1), clue_arg_span=(arg_span_1st[0], arg_span_1st[1] + 1),
target_arg_span=(arg_span[0], arg_span[1] + 1))
except:
ipdb.set_trace()
graph.steinerTree(trigger_span=(trg_span[0], trg_span[1]+1), clue_arg_span=(arg_span_1st[0], arg_span_1st[1] + 1),
target_arg_span=(arg_span[0], arg_span[1] + 1))
if steinerPath != None and len(steinerPath) != 1:
A2ApathExist=True
steinerPath_text, intersentence, _ , _ = self.print_path(steinerPath, sentences_tk)
arg_text=' '.join(sentences_tk[graph.find_substitute(arg_span)[0],graph.find_substitute(arg_span)[1]])
arg_1st_text=' '.join(sentences_tk[graph.find_substitute(arg_span_1st)[0],graph.find_substitute(arg_span_1st)[1]])
steinerPath_text=' '.join(steinerPath_text).replace(arg_text,arg_text+' '+ arg_span2type[arg_span])
steinerPath_text=steinerPath_text.replace(arg_1st_text,arg_1st_text+' '+ arg_span2type[arg_span_1st])
ipdb.set_trace()
maskedsteinerPath_text=steinerPath_text.replace(arg_text,'<arg>')
# full_masked_path=maskedT2Apath_text+' ' +maskedA2Apath_text
example = InputExample(guid=str(i) + '.' + split, label=1,
text_a=' '.join(sentences_tk).replace(trigger_text,
'<trg>' + trigger_text + '<trg>'),
tgt_text=steinerPath_text,
text_b=maskedsteinerPath_text,
meta={'event_type': event_type, 'trigger_text': trigger_text,
'trigger_span': trg_span, 'arg_1st':arg_1st,
'arg_2nd':arg_text,'doc_key': instance['doc_key'],
'evt_key':instance['evt_key'] # denote if dataset==RAMS
})
examples.append(example)
elif kwargs['path_method']=='T2A2A':
NotFound = True
# if trigger_text != instance['trigger_text']: continue
# arg_span_1st as the nearest
if instance['gold_evt_links']!=[]:
arg_span_1st=list(arg_span2type.keys())[0]
NotFound=False
if NotFound:
if instance['gold_evt_links']!=[]:
arg_span_1st=list(arg_span2type.keys())[0]
else:
err_doc += 1
continue
T2Apath = graph.BFS((trg_span[0],trg_span[1] + 1), (arg_span_1st[0], arg_span_1st[1] + 1))
if T2Apath==None or len(T2Apath) == 1:
# err_doc += 1
# generate splited paths , useless
# for arg_span in list(arg_span2type.keys()):
# T2Apath = graph.BFS((trg_id, trg_id + 1), (arg_span[0], arg_span[1] + 1))
# if T2Apath == None or len(T2Apath) == 1:
# err+=1
# continue
# T2Apath_text, intersentence, arg_1st, end = self.print_path(T2Apath, sentences_tk)
# T2Apath_text = ' '.join(T2Apath_text).replace(arg_1st,
# arg_1st + ' ' + arg_span2type[arg_span])
# example = InputExample(guid=str(i) + '.' + split, label=1,
# text_a=' '.join(sentences_tk).replace(trigger_text,
# '<trg>' + trigger_text + '<trg>'),
# tgt_text=T2Apath_text,
# text_b=T2Apath_text.replace(arg_1st, '<arg>'),
# meta={'event_type': event_type, 'trigger_text': trigger_text,
# 'trigger_span': [trg_id, trg_id], 'arg_1st': arg_1st,
# 'doc_key': instance['doc_key'], })
# examples.append(example)
continue
else:
T2Apath_text,intersentence,arg_1st,end = self.print_path(T2Apath,sentences_tk)
T2Apath_text=' '.join(T2Apath_text).replace(arg_1st,arg_1st+' '+ arg_span2type[arg_span_1st])
# pred arg_1st
# maskedT2Apath_text=T2Apath_text.replace(arg_1st,'<arg>')
A2ApathExist = False
for arg_span in list(arg_span2type.keys()):
if arg_span==arg_span_1st: continue
A2Apath = graph.BFS((arg_span_1st[0], arg_span_1st[1] + 1), (arg_span[0], arg_span[1] + 1))
if A2Apath != None and len(A2Apath) != 1:
A2ApathExist=True
A2Apath_text, intersentence, arg_text, end = self.print_path(A2Apath, sentences_tk)
full_path = T2Apath_text
for text in A2Apath_text:
if text not in T2Apath_text:
full_path += ' ' + text
full_path = full_path.replace(arg_text, arg_text + ' ' + arg_span2type[arg_span])
full_masked_path=full_path.replace(arg_text, '<arg>')
example = InputExample(guid=str(i) + '.' + split, label=1,
text_a=' '.join(sentences_tk).replace(trigger_text,
'<trg>' + trigger_text + '<trg>'),
tgt_text=full_path,
text_b=full_masked_path,
meta={'event_type': event_type, 'trigger_text': trigger_text,
'trigger_span': trg_span, 'arg_1st':arg_1st,
'arg_2nd':arg_text,'doc_key': instance['doc_key'],
# 'evt_key':instance['evt_key'] # denote if dataset==RAMS
})
examples.append(example)
else:
# expand to 6991 samples
T2Apath = graph.BFS((trg_span[0], trg_span[1]+1), (arg_span[0], arg_span[1] + 1))
if T2Apath == None or len(T2Apath) == 1:
err += 1
continue
new_T2Apath_text, intersentence, arg_text, end = self.print_path(T2Apath, sentences_tk)
full_path=T2Apath_text
for text in new_T2Apath_text:
if text not in T2Apath_text:
full_path+=' '+text
full_path=full_path.replace(arg_text,arg_text + ' ' + arg_span2type[arg_span])
example = InputExample(guid=str(i) + '.' + split, label=1,
text_a=' '.join(sentences_tk).replace(trigger_text,
'<trg>' + trigger_text + '<trg>'),
tgt_text=full_path, # TODO: how does it work?
text_b=full_path.replace(arg_text, '<arg>'),
meta={'event_type': event_type, 'trigger_text': trigger_text,
'trigger_span': trg_span, 'arg_1st': arg_1st,
'arg_2nd': arg_text
, 'doc_key': instance['doc_key'], })
examples.append(example)
elif kwargs['path_method']=='maskedT2As':
for links in instance['gold_evt_links']:
arg_span = links[1]
# if trigger_span==arg_span: continue
trigger_text = ' '.join(sentences_tk[trg_span[0]:trg_span[1] + 1])
arg_text = ' '.join(sentences_tk[arg_span[0]:arg_span[1] + 1])
arg_type = re.split('[\d]+', links[2])[-1]
path = graph.BFS((trg_span[0], trg_span[1] + 1), (arg_span[0], arg_span[1] + 1))
if path == None or len(path) == 1:
err += 1
continue
path_text,intersentence,begin,end=self.print_path(path,sentences_tk)
raw_path_text=' '.join(path_text)
mask_poses=random.choices(path_text,k=1)
masked_path_text=raw_path_text
for mask in mask_poses:
if mask==begin:continue
masked_path_text=masked_path_text.replace(mask,'<arg>')
example = InputExample(guid=str(i) + '.' + split,label=1,
text_a=' '.join(sentences_tk).replace(trigger_text,'<trg>'+trigger_text+'<trg>'),
tgt_text= raw_path_text.replace(begin,begin+' '+arg_type),
text_b=masked_path_text.replace(begin,"<arg>"+' '+arg_type),
meta={'event_type':event_type, 'trigger_text': trigger_text,
'arg_text': arg_text, 'arg_type': arg_type,
'trigger_span': trg_span, 'arg_span': arg_span,
'path_begin': ' '.join(begin), 'path_end': ' '.join(end)
,'doc_key': instance['doc_key'],})
examples.append(example)
if (i + 1) % 500 == 0:
print(f'have handled {i + 1} documents')
print('err num is ', err, f',err doc num is {err_doc}, ttl number of examples is ', len(examples))
return examples
if __name__=='__main__':
examples=WikiEventProcesser().get_examples(data_dir='./data/wikievents/informative', split='train', use_info=True,
ontology_file='event_role_wikievents.json',data_part='full',recordAsRAMS=True)
exampleInspection=[]
ttl_sent=0
for ex in examples:
instance=ex.meta
exampleInspection.append(instance)
with open('./data/wikievents/informative/train.jsonl','w') as f:
f.writelines((json.dumps(ex)+'\n' for ex in exampleInspection))