大模型预测结果导入到Doccano，人工修正预测不准的数据

本文链接：https://blog.csdn.net/sjxgghg/article/details/137855400

文章目录

背景

使用大语言模型做实体识别的实验时，发现大模型关于实体的边界预测一直不准。
主要原因在于当时找了很多同学标注数据，由于不同组同学关于实体的边界没有统一，故导致数据集中实体边界也没统一。
（找太多人标，会有这样的缺点）

如果重新标注数据，那么之前的标的数据就浪费了，而且又得折腾人来标。
虽然之前标的数据不好，但训练出的大模型，还是学到了一些东西。于是便打算让训练后的大模型预测，将大模型预测的结果导入到Doccano，再人工修正大模型预测不准的实体，这样可以减轻人工标注压力还能轻易获得更多的数据集。

简介

展示大模型预测输出的数据格式；
展示Doccano 命名实体识别导入的数据集格式；
提供将大模型输出数据转为Doccano 导入数据集格式代码；

大模型预测结果的样例如下：

{
	"instruction": "你是专门进行实体抽取的专家。请从text中抽取出符合schema定义的实体，不存在的实体类型返回空列表。请按照JSON字符串的格式回答。schema:['数据', '项目', '任务'], text:三大攻坚战取得关键进展", 
	"input": "", 
	"output": "{\"数据\": [], \"项目\": [\"三大攻坚战\"], \"任务\": []}", 
	"predict": {"数据": [], "项目": ["三大攻坚战取得关键进展"], "任务": []}
}

Doccano 导入的数据集样例如下：

{"id":17168,"text":"三大攻坚战取得关键进展","label":[[0,5,"任务"]],"Comments":[]}

大模型输出数据转为Doccano 代码

找出模型预测的实体，在text句子的开始下标和结束下标：

def find_substring_indices(parent_string, substring):  
    start_index = parent_string.find(substring)  
    if start_index != -1:
        end_index = start_index + len(substring)
        return start_index, end_index  
    else:  
        return -1, -1

import re

def tran_llm_doccano(input_file, output_file, schema):
    doccano_format = {
        "text": None,
        "label": [],
        "Comments": []
    }

    def _find_text(text):
        pattern = r'text:(.*?)",'  
        match = re.search(pattern, text, re.MULTILINE)
        text_content = match.group(1)
        return text_content

    with open(input_file, 'r') as f:
        with open(output_file, 'w') as w:
            for line in f:
                text = _find_text(line)
                doccano_format["text"] = text
                data = json.loads(line)
                predict = data["predict"]
                tmp = []
                for ent_cls in schema:
                    for predict_ent_name in predict[ent_cls]:
                        start_idx, end_idx = find_substring_indices(text, predict_ent_name)
                        if start_idx == -1 or end_idx == -1:
                            continue
                        tmp.append([start_idx, end_idx, ent_cls])
                doccano_format["label"] = tmp
            w.write(json.dumps(doccano_format, ensure_ascii=False) + '\n')

schema = ['数据', '项目', '任务']
tran_llm_doccano('data.jsonl', "doccano_import.jsonl", schema)