NLP（十四）自制序列标注平台

悠悠 2021-11-05 10:00 288阅读 0赞

### 背景介绍 ###

在平时的NLP任务中，我们经常用到命名实体识别（NER），常用的识别实体类型为人名、地名、组织机构名，但是我们往往也会有识别其它实体的需求，比如时间、品牌名等。在利用算法做实体识别的时候，我们一般采用序列标注算法，这就对标注的文本格式有一定的要求，因此，一个好的序列标注的平台必不可少，将会大大减少我们标注的工作量，有效提升算法的更新迭代速度。  
  本文将介绍笔者的一个工作：自制的序列标注平台。我们以时间识别为例。比如，在下面的文章中：

> 按计划，2019年8月10日，荣耀智慧屏将在华为开发者大会上正式亮相，在8月6日，荣耀官微表示该产品的预约量已破十万台，8月7日下午，荣耀总裁赵明又在微博上造势率先打出差异化牌，智慧屏没有开关机广告，并表态以后也不会有，消费者体验至上，营销一波接一波，可谓来势汹汹。

我们需要从该文章中标注出三个时间：`2019年8月10日`，`8月6日`，`8月7日下午`，并形成标注序列。  
  下面将详细介绍笔者的工作。

### 序列标注平台 ###

由于开发时间仓促以及笔者能力有限，因此，序列标注平台的功能还没有很完善，希望笔者的工作能抛砖引玉。  
  项目的结构图如下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70][]

templates中存放静态资源，time\_index.html为平台的操作界面，time\_output为平台标注完实体后的文件保存路径，time\_server.py是用tornado写的服务端路径控制代码，utils.py中是获取某个路径下的txt文件的最大数值的函数。

其中，utils.py的完整代码如下：

# -*- coding: utf-8 -*-
    # time: 2019-03-14
    # place: Xinbeiqiao, Beijing
    
    import os
    
    # 获取当前所在目录的txt文本的最大数值
    def get_max_num(path):
        files = os.listdir(path)
        if files:
            numbers = list(map(lambda x: int(x.replace('.txt', '')), files))
            return max(numbers)
        else:
            return 0

time\_server.py的完整代码如下：

# -*- coding: utf-8 -*-
    # time: 2019-08-08
    # place: Xinbeiqiao, Beijing
    
    import os.path
    import tornado.httpserver
    import tornado.ioloop
    import tornado.options
    import tornado.web
    from tornado.options import define, options
    from utils import get_max_num
    
    #定义端口为9005
    define("port", default=9005, help="run on the given port", type=int)
    
    # GET请求
    class QueryHandler(tornado.web.RequestHandler):
        # get函数
        def get(self):
            self.render('time_index.html', data = ['', []])
    
    # POST请求
    class PostHandler(tornado.web.RequestHandler):
        # post函数
        def post(self):
    
            # 获取前端参数, event, time, index
            event = self.get_argument('event')
            times = self.get_arguments('time')
            indices = self.get_arguments('index')
            print(event)
            print(times)
            print(indices)
    
            # 前端显示序列标注信息
            tags = ['O'] * len(event)
    
            for time, index in zip(times, indices):
                index = int(index)
                tags[index] = 'B-TIME'
                for i in range(1, len(time)):
                    tags[index+i] = 'I-TIME'
    
            data = [event, tags]
    
            self.render('time_index.html', data=data)
    
            # 保存为txt文件
            dir_path = './time_output'
            with open('./%s/%s.txt' % (dir_path, get_max_num(dir_path)+1), 'w', encoding='utf-8') as f:
                for char, tag in zip(event, tags):
                    f.write(char+'\t'+tag+'\n')
    
    
    # 主函数
    def main():
        # 开启tornado服务
        tornado.options.parse_command_line()
        # 定义app
        app = tornado.web.Application(
                handlers=[(r'/query', QueryHandler),
                          (r'/result', PostHandler)
                          ], #网页路径控制
                template_path=os.path.join(os.path.dirname(__file__), "templates") # 模板路径
              )
        http_server = tornado.httpserver.HTTPServer(app)
        http_server.listen(options.port)
        tornado.ioloop.IOLoop.instance().start()
    
    main()

time\_index.html文件如下：

<!DOCTYPE html>
    <html>
    <head>
    	<meta charset="utf-8">
    	<title>时间抽取标注平台</title>
    	<link rel="stylesheet" href="https://cdn.staticfile.org/twitter-bootstrap/3.3.7/css/bootstrap.min.css">
        <script src="https://cdn.bootcss.com/jquery/3.4.1/jquery.min.js"></script>
    	<script src="https://cdn.staticfile.org/twitter-bootstrap/3.3.7/js/bootstrap.min.js"></script>
    	<style> mark { background-color:#00ff90; font-weight:bold; } p{ text-indent:2em;} </style>
        <script> var click_cnt = 0; // 双击第i个select, 添加文字的index function select_click(i){ var content = document.getElementById('event').value; var time = document.getElementById('time_'+i.toString()).value; for(var j=0; j<=content.length-time.length; j++){ if(content.substr(j, time.length) == time){ var select = document.getElementById('index_'+i.toString()); var option = document.createElement("option"); option.value = j; option.innerHTML = j; select.appendChild(option); } } } // 添加输入框和select框 $(document).ready(function(){ $("#add_time").click(function(){ click_cnt = click_cnt + 1; var input_id = new String('time_'+click_cnt.toString()); var index_id = new String('index_'+click_cnt.toString()); var content = "<input type='text' id=" + input_id + " class='form-control' style='width:306px;' name='time' /> \     <select class='form-control' name='index' id="+ index_id + " style='width:120px;' \ οndblclick='select_click("+click_cnt.toString()+")'></select>"; $(content).appendTo($("#time_column")); }); }); </script>
    </head>
    <body>
    
    <center>
        <br><br><br>
    <form class="form-horizontal" role="form" method="post" action="/result" style="width:600px">
    	<div class="form-group">
    		<label for="event" class="col-sm-2 control-label">输入语料</label>
    		<div class="col-sm-10">
    			<textarea type="text" class="form-control" id="event" style="width:490px; height:200px" name="event"></textarea>
    		</div>
    	</div>
    	<div class="form-inline" style="text-align:left;">
    		<label for="time_0" class="col-sm-2 control-label">时间</label>
    		<div class="col-sm-10" id="time_column">
    			<input type="text" class="form-control" id="time_0" style="width:306px;" name="time" />
                   
                <select class="form-control" id="index_0" name="index" style="width:120px;" ondblclick="select_click(0)"></select>
    		</div>
    	</div>
    	<div class="form-group">
    		<div class="col-sm-offset-2 col-sm-10">
                <br>
                <button type="button" class="btn btn-default" id="add_time">添加时间</button>
    			<button type="submit" class="btn btn-success">显示标签</button>
    			<a href="/query"><button type="button" class="btn btn-danger">返回</button></a>
                <button type="reset" class="btn btn-warning">重置</button>
    		</div>
    	</div>
    
    </form>
    	<br>
    	<div style="width:600px">
    		<p> 原文：{
       {data[0]}} </p>
    		<table class="table table-striped">
    		{% for char, tag in zip(data[0], data[1]) %}
    			<tr>
    				<td>{
       {char}} </td>
    				<td>{
       {tag}} </td>
    			</tr>
    		{%end%}
    		</table>
    	</div>
    </center>
    
    </body>
    </html>

### 平台使用 ###

运行上述time\_server.py后，在浏览器端输入网址: [http://localhost:9005/query][http_localhost_9005_query] , 则会显示如下界面：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 1][]

在`输入语料框`中，我们输入语料：

> 8月8日是“全民健身日”，推出重磅微视频《我们要赢的，是自己》。

在时间这个输入框中，可以标注语料中的时间，同时双击同一行中的下拉列表，就能显示该标注时间在语料中的起始位置，有时候同样的标注时间会在语料中出现多次，那么我们在下拉列表中选择我们需要的标注的起始位置即可。  
  点击`添加时间`按钮，它会增加一行标注，允许我们在同一份预料中标注多个时间。我们的一个简单的标注例子如下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 2][]

点击`显示标注`，则会显示我们标注完后形成的序列标注信息，同时将该序列信息保存为txt文件，该txt文件位于time\_output目录下。在网页上的序列标注信息如下：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 3]

同时，我们也可以查看保存的txt文档信息，如下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 4][]

点击`返回`按钮，它会允许我们进行下一次的标注。刚才展示的只是一个简单例子，稍微复杂的标注如下图：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 5][]

它形成的标注序列(部分)如下：

按	O
    计	O
    划	O
    ，	O
    2	B-TIME
    0	I-TIME
    1	I-TIME
    9	I-TIME
    年	I-TIME
    8	I-TIME
    月	I-TIME
    1	I-TIME
    0	I-TIME
    日	I-TIME
    ，	O
    荣	O
    耀	O
    智	O
    慧	O
    屏	O
    将	O
    在	O
    华	O
    为	O
    开	O
    发	O
    者	O
    大	O
    会	O
    上	O
    正	O
    式	O
    亮	O
    相	O
    ，	O
    在	O
    8	B-TIME
    月	I-TIME
    6	I-TIME
    日	I-TIME
    ，	O
    荣	O
    耀	O
    官	O
    微	O
    表	O
    示	O
    该	O
    产	O
    品	O
    ......

### 总结 ###

本平台仅作为序列标注算法的前期标注工具使用，并不涉及具体的算法。另外，后续该平台也会陆续开放出来，如果大家有好的建议，也可以留言～  
  本项目已上传只Github, 网址为： [https://github.com/percent4/entity\_tagging\_platform][https_github.com_percent4_entity_tagging_platform]

> 注意：不妨了解下笔者的微信公众号： Python爬虫与算法（微信号为：easy\_web\_scrape）， 欢迎大家关注~

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70]: /images/20211104/2fa0d5b8ce8f4dae8b72af0616fa84aa.png
[http_localhost_9005_query]: http://localhost:9005/query
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 1]: /images/20211104/f0ec7ea7d86a4e949b614040ac1612fd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 2]: /images/20211104/3eb6361b900246f19d1adc09b5ad974f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 3]: /images/20211104/4a8d3c27ff8a4827a70618a3004e72ff.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 4]: /images/20211104/e3b1fcdc95c2458b8ca3ac25e5e2e380.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pjbGlhbjkx_size_16_color_FFFFFF_t_70 5]: /images/20211104/d0dbaa4cd98549f9a09bd1f41994d704.png
[https_github.com_percent4_entity_tagging_platform]: https://github.com/percent4/entity_tagging_platform