1. /data/

1. data.json：EARL整理的数据。第一行是一个小的知识图谱（这个小图谱不知道怎么整理出来的，不使用）。
2. coref_data.json：对全部数据都进行了指代消解
3. coref_data_notest.json：没有对测试集数据进行指代消解
4. opendialkg_relations.txt：官方数据集，关系的集合
5. opendialkg_triples.txt：官方数据集，所有的三元组，可以构建一个大的知识图谱
6. rules.csv/rules_exact.csv:使用关联规则挖掘得到的规则

2. /multi_re_frame/

以同一主题多轮对话为框架

1. /dataset/

模型需要使用到的预处理后的数据。此时使用的知识图谱是EARL整理出来的小知识图谱

2. /dataset_whole/

模型需要使用到的预处理后的数据。此时使用的知识图谱是原始的大知识图谱

3./AttnIO/

当前多轮对话框架下对AttnIO的复现

4./seen+unseen_frame/

当前多轮对话框架下，考虑知识图谱中混杂了seen与unseen的实体

3. 代码逻辑

1. process_data.py：数据预处理

   1. 使用Albert对实体，关系，对话进行预编码。如果是seen的实体，embeddings会在训练过程中不断地调整。如果unseen，那么就认为始终是与预编码得到的了

2. main.py：训练的程序

3. attnio_build.py:构建模型用的

4. dataset_attnio.py:对数据进行transform的部分

5. attnio_model_new.py：图神经网络计算的部分，基本不用动

6. tester.py:测试模型的程序

7. utils.py：定义了一些辅助函数

4. 结果

1. 结果存于各文件夹下的result中，有log形式和csv形式
2. 文件名即为对应的模型，参数有如下：
   1. batch：最好的是4
   2. n-hop
   3. n-max
   4. 0/1/1+2:进行子图剪枝的操作，0代表不剪枝，1代表仅对第一跳进行剪枝，2代表仅对第二跳进行剪枝，1+2代表第一跳和第二跳都进行剪枝（该部分实验效果不好）
   5. share-subgraph:是否进行子图传递