文本信息抽取与文档信息抽取中的标注问题，是一个有趣的场景。
在学术场景下，我们所用到的文本都是纯文本格式的，无论是实体识别任务，实体关系抽取，事件抽取任务，都是在纯文本上做的标注，这个我们在之前的文章中进行了相关开源工具集的介绍。
但在实际的落地场景中，通常会遇到各式各样的格式，如常见的pdf文档，甚至拍照图片，如广告牌等，直接地对这类文档进行标注，包括实体标注文档级关系抽取，关系标注，可以缓解因格式转换带来的误差，例如对于pdf文档转txt，通常会出现串行，表格混乱等问题。
因此，这就有了一个文本标注和文档标注的问题。本文主要围绕这一问题展开讨论，并以paddlepaddle开源的两类标注方案为例，介绍如何使用label-studio完成标注，供大家一起思考。
一、真实场景中的文本信息抽取和文档信息抽取
文本信息抽取与文档信息抽取有较大的不同点，前者指的是纯文本的标注文档级关系抽取，后者指的是文档类型，如pdf，wps，影印表单，图片等信息的标注，与之相对应的包括文本信息抽取和文档信息抽取两种。
1、文本信息抽取
文本信息抽取，是当前NLP常见的处理任务，包括但不限于命名实体识别（如人名、地名、机构名等）、关系（如电影的导演、歌曲的发行时间等）、事件（如某路口发生车祸、某地发生地震等）、以及评价维度、观点词、情感倾向等信息的抽取。
2、文档信息抽取
与文本信息抽取不同，文档信息抽取，指的是针对文档/图片/表格场景下，进行实体、关系、事件、观点等不同任务信息抽取。
可以看到，文档信息抽取通常会涉及到CV的技术范畴。
下面分别介绍基于labelstdio的两种不同类型的数据标注方法。
二、基于Label Studio的文本抽取数据标注
1、环境配置
在终端(terminal)使用pip安装label-studio：
pip install label-studio==1.6.0
安装完成后，运行以下命令行：
label-studio start
在浏览器打开:8080/，输入用户名和密码登录，开始使用label-studio进行标注。
2、项目创建
点击创建（Create）开始创建一个新的项目，填写项目名称、描述，然后选择Object Detection with Bounding Boxes。
图中展示了实体类型标签的构建，其他类型标签的构建可参考标签构建。
3、数据上传
先从本地上传txt格式文件，选择List of tasks，然后选择导入本项目。
4、标签构建
1）Span类型标签
2）Relation类型标签
3）Relation XML模板
<Relations>
<Relation value="歌手"/>
<Relation value="发行时间"/>
<Relation value="所属专辑"/>
</Relations>5、任务标注
1）实体抽取
标注示例：
该标注示例对应的schema为：
schema = [
'时间',
'选手',
'赛事名称',
'得分'
]2）关系抽取
对于关系抽取，其P的类型设置十分重要，需要遵循以下原则
“{S}的{P}为{O}”需要能够构成语义合理的短语。比如对于三元组(S, 父子, O)，关系类别为父子是没有问题的。但按照UIE当前关系类型prompt的构造方式，“S的父子为O”这个表达不是很通顺，因此P改成孩子更好，即“S的孩子为O”。合理的P类型设置，将显著提升零样本效果。
该标注示例对应的schema为：
schema = {
'作品名': [
'歌手',
'发行时间',
'所属专辑'
]
}3）事件抽取
该标注示例对应的schema为：
schema = {
'地震触发词': [
'时间',
'震级'
]
}6、数据导出
勾选已标注文本ID，选择导出的文件类型为JSON，导出数据：
三、基于labelstudio的文档标注
1、安装配置
以下标注示例用到的环境配置：
在终端(terminal)使用pip安装label-studio：
pip install label-studio==1.6.0
安装完成后，运行以下命令行：
label-studio start
在浏览器打开:8080/，输入用户名和密码登录，开始使用label-studio进行标注。
2、项目创建
点击创建（Create）开始创建一个新的项目，填写项目名称、描述，然后选择Object Detection with Bounding Boxes。
1）填写项目名称、描述
对于命名实体识别、关系抽取、事件抽取任务，选择“Object Detection with Bounding Boxes`
2）添加标签(也可跳过后续在Setting/Labeling Interface中添加)
图中展示了Span实体类型标签的构建，其他类型标签的构建可参考标签构建。
3、数据上传
限 时 特 惠： 本站每日持续更新海量各大内部创业教程，加站长微信免费获取积分，会员只需38元，全站资源免费下载 点击查看详情
站 长 微 信： thumbxmw
