# Copy of the Internship journal

## Individual task

Study the problem of relation extraction and implement several neural-based and rule-based models for relation extraction in nested entities.

Изучить проблему извлечения отношений и написать несколько моделей на основе нейронных сетей и правил для извлечения отношений во вложенных сущностях.

## Expected result

Comparison of the models' efficiencies on the test dataset on the test dataset using F1-score and correlation matrix. Make visualisation of the results. Explain the result.

Сравненить эффективности моделей в наборе тестовых данных с набором тестовых данных с использованием F1-показателя и корреляционной матрицы. Сделайть визуализацию результатов. Объяснить результат.

## A brief description of achieved results
I implemented models using python and used the NEREL dataset. I trained neural-based models using the Yandex datasphere. The training for the rule-based methods and visualisations was done on a local machine. I analysed the common errors and models themself and found some insight into the dataset, such as some inconsistencies with the dataset.

Я реализовал модели с помощью Python и использовал набор данных NEREL. Я обучал модели на основе нейронных сетей, используя Yandex datasphere. Обучение методам и визуализации на основе правил проводилось на локальной машине. Я проанализировал распространенные ошибки и сами модели и нашел некоторое представление о наборе данных, например, о некоторых несоответствиях с набором данных.

## 

### Task
Study common approaches used for named entity recognition and relation extraction.

Изучить общие подходы, используемые для распознавания именованных сущностей и извлечения отношений.

### Result

I studied common approaches used for named entity recognition and relation extraction and existing datasets for such problems.

Я изучил общие подходы, используемые для распознавания именованных сущностей и извлечения отношений, а также существующие наборы данных для таких задач.

## 

### Task
Choose dataset.
Preprocess data for relation extraction in nested entities.

Выберить набор данных.
Предварительно обработайть данные для извлечения отношений во вложенных сущностях.

### Result

I chose the NEREL dataset studied among earlier.
I preprocessed data using python to fit it for the specific problem of relation extraction in nested entities.

Я выбрал изученный набор данных NEREL среди ранее изученных.
Я предварительно обработал данные с помощью python, чтобы они соответствовали конкретной проблеме извлечения отношений во вложенных объектах.

## 

### Task

Implement neural-based models.
Implement rule-based models.

Написать нейронныe модели.
Написать модели на основе правил.

### Result

I implemented and trained neural-based three models in python. I used a pre-trained BERT model as a base.
I implemented custom rule-based models in python.

Я реализовал и обучил три нейронные модели на Python. В качестве основы я использовал предварительно обученную модель BERT.
Я реализовал пользовательские модели на основе правил в python.

## 
### Task

Make the visualisations.
Analyse the results.

Сделайть визуализации.
Проанализировать результаты.

### Result

I generated different visualisations such as confusion matrix and distribution of common errors.
Analysing the common errors and models themself, I found some inconsistencies in the dataset.

Я создал различные визуализации, такие как матрица несоответствий и распределение распространенных ошибок.
Анализируя распространенные ошибки и сами модели, я обнаружил некоторые несоответствия в наборе данных.

## 
### Task
Make the visualisations.
Analyse the results.

Сделайть визуализации.
Проанализировать результаты.

### Result

I generated different visualisations such as confusion matrix and distribution of common errors.
Analysing the common errors and models themself, I found some inconsistencies in the dataset.

Я создал различные визуализации, такие как матрица несоответствий и распределение распространенных ошибок.
Анализируя распространенные ошибки и сами модели, я обнаружил некоторые несоответствия в наборе данных.

## Quality of student’s work and satisfaction with achieved results

## General recommendations