1.doccano的安装与初始配置
1.1 doccano的用途
- document classification 文本分类
- sequence labeling 序列标注，用于命名实体识别
- sequence to sequence seq2seq，用于翻译
- speech to text 语音转文本标注
命名实体标注
序列标注（如机器翻译）
文本分类任务（如情感分析）
官方文档：
GitHub - doccano/doccano: Open source annotation tool for machine learning practitioners.
1.2 安装与初始配置
记的进虚拟环境！！！！！
Step 1. 本地安装doccano（请勿在AI Studio内部运行，本地测试环境python=3.8）
$ pip install doccano
Step 2. 初始化数据库和账户（用户名和密码可替换为自定义值）
-
# 初始化，设置用户名= admin,密码=pass
-
doccano init
-
doccano createuser
--username admin --password pass
-
-
-------------------------个人设置---------------------------
-
$ doccano init
-
-
$ doccano createuser
--username my_admin_name --password my_password
Step 3. 启动doccano
- 在一个窗口启动doccano的WebServer，保持窗口
$ doccano webserver --port 8000
- 在另一个窗口启动doccano的任务队列
$ doccano task
- 打开浏览器（推荐Chrome），在地址栏中输入
http://127.0.0.1:8000/后回车即得以下界面。
2. doccano无法上传标注的数据 or 无法导出标注数据
2.1 上传下载数据---界面不断加载状态
在另一个终端中，运行以下命令：
doccano task
看一下原文档。运行的话，重新按一下回车键！！！
2.2 端口被占用
启动的时候不要使用应用程序（我是开着酷狗音乐软件，这个软件占用了端口），如果使用的话会报以下错误：
OSError: [WinError 10013] 以一种访问权限不允许的方式做了一个访问套接字的尝试。
2.3 导出数据报错
导出数据时如果报错：找到writer.py这个文件
C:\Users\Glenn.conda\envs\dataannotation\Lib\site-packages\backend\api\views\download\writer.py
line 9,增加encoding="utf-8"
-
class LineWriter(BaseWriter):
-
extension =
'txt'
-
-
def write(self, records: Iterator[Record]) -> str:
-
files = {}
-
for record in records:
-
filename = os.path.
join(self.tmpdir, f
'{record.user}.{self.extension}
')
-
if filename not in files:
-
f = open(filename, mode='a
',encoding=
"utf-8") #就是这个位置
-
files[filename] = f
-
f = files[filename]
-
line = self.
create_line(record)
-
f.
write(f
'{line}\n
')
-
for f in files.
values():
-
f.
close()
-
save_file = self.
write_zip(files)
-
for file in files:
-
os.
remove(file)
-
return save_file
3.项目：doccano来标注实体和关系
3.1 项目创建
参考文档：
PaddleNLP/doccano.md at develop · PaddlePaddle/PaddleNLP · GitHub
-
登陆账户。点击右上角的
LOGIN（登录），输入Step 2中设置的用户名和密码登陆。
UIE支持抽取与分类两种类型的任务，根据实际需要创建一个新的项目：
- 抽取式任务项目创建
创建项目时选择序列标注任务，并勾选Allow overlapping entity及Use relation Labeling。适配命名实体识别、关系抽取、事件抽取、评价观点抽取等任务。
- 分类式任务项目创建
创建项目时选择文本分类任务。适配文本分类、句子级情感倾向分类等任务。
以抽取为例：
-
创建项目。点击左上角的
CREATE，跳转至以下界面。- 勾选序列标注（
Sequence Labeling） - 填写项目名称（
Project name）等必要信息 - 勾选允许实体重叠（
Allow overlapping entity）、使用关系标注（Use relation labeling） - 创建完成后，项目首页视频提供了从数据导入到导出的七个步骤的详细说明【可以学习参考】。
- 勾选序列标注（
3.2 数据上传
如图所示，doccano总共支持4种格式的文本，他们的区别如下：
- Textfile：要求上传的文件为txt格式，并且在打标的时候，一整个txt文件在打标的时候显示为一页内容；
- Textline：要求上传的文件为txt格式，并且在打标的时候，该txt文件的一行文字会在打标的时候显示为一页内容；
- JSONL：是JSON Lines的简写，每行是一个有效的JSON值。
- CoNLL：是“中文依存语料库”，是根据句子的依存结构而建立的树库。其中，依存结构描述的是句子中词与词之间直接的句法关系。具体介绍看汉语树库。
注意：
- doccano官方推荐的文档编码格式为UTF-8。
- 在使用JSONL格式的时候，文字数据本身要符合JSON格式的规范。
- 数据集中不要包含空行。
这里我们以Textline格式举例。
点击“TextLine格式”。然后在跳转到的界面里，设置File Format和Encoding。然后点击下图中的“Drop files here…”来上传文件。最后，点击右下角的“injest”将数据集添加到项目（此处有拼写错误，正确的拼写估计为“inject”或者ingest“）。
此时，再点击“数据集”的标签，我们就可以看到一条一条的文本已经被添加到项目中了。将来我们将对这些文本进行打标。
3.3 添加标签
构建抽取式任务标签
抽取式任务包含Span与Relation两种标签类型，Span指原文本中的目标信息片段，如实体识别中某个类型的实体，事件抽取中的触发词和论元；Relation指原文本中Span之间的关系，如关系抽取中两个实体（Subject&Object）之间的关系，事件抽取中论元和触发词之间的关系。
注意，这里只是添加将来可供选择的标签，是项目配置的过程，而不是进行文本标注。
我们点击左侧的“标签”按钮，就来到了添加标签的界面。
设置标签。在Labels一栏点击
Actions，Create Label手动设置或者Import Labels从文件导入。
- 最上边Span表示实体标签，Relation表示关系标签，需要分别设置。
在弹出的“创建标签”窗口里面，在第一行写上标签的名字。例如在NER的例子中，可以写People、Location、Organization等。
在第二行添加该标签对应的快捷键---短键。例如，我们给People设置的快捷键是p。将来在打标的时候，右手用鼠标选中段落中的文字（例如“白居易”），左手在键盘按下快捷键p，就可以把被选中的文字打标成“People”。
再往下，我们可以给标签自定义颜色。
全部设置好以后，点击右下角的“保存”按钮。
此时，一个标签就添加完成了。我们以同样的方法添加其他所需要的标签。
3.4 任务标注
-
标注数据。点击每条数据最右边的
Annotate按钮开始标记。标记页面右侧的标签类型（Label Types）开关可在实体标签和关系标签之间切换。- 实体标注：直接用鼠标选取文本即可标注实体。
- 关系标注：首先点击待标注的关系标签，接着依次点击相应的头尾实体可完成关系标注。
3.4.1 命名实体识别
命名实体识别（Named Entity Recognition，简称NER），是指识别文本中具有特定意义的实体。在开放域信息抽取中，抽取的类别没有限制，用户可以自己定义。
标注示例：
示例中定义了时间、选手、赛事名称和得分四种Span类型标签。
3.4.2 关系抽取
关系抽取（Relation Extraction，简称RE），是指从文本中识别实体并抽取实体之间的语义关系，即抽取三元组（实体一，关系类型，实体二）。
标注示例：
示例中定义了作品名、人物名和时间三种Span类型标签，以及歌手、发行时间和所属专辑三种Relation标签。Relation标签由Subject对应实体指向Object对应实体。
3.4.3 事件抽取
事件抽取 (Event Extraction, 简称EE)，是指从自然语言文本中抽取事件并识别事件类型和事件论元的技术。UIE所包含的事件抽取任务，是指根据已知事件类型，抽取该事件所包含的事件论元。
标注示例：
示例中定义了地震触发词（触发词）、等级（事件论元）和时间（事件论元）三种Span标签，以及时间和震级两种Relation标签。触发词标签统一格式为XX触发词，XX表示具体事件类型，上例中的事件类型是地震，则对应触发词为地震触发词。Relation标签由触发词指向对应的事件论元。
3.4.4 评价观点抽取
评论观点抽取，是指抽取文本中包含的评价维度、观点词。
标注示例：
示例中定义了评价维度和观点词两种Span标签，以及观点词一种Relation标签。Relation标签由评价维度指向观点词。
3.4.5 分类任务
标注示例：
示例中定义了正向和负向两种类别标签对文本的情感倾向进行分类
3.5 数据导出
3.5.1 导出抽取式任务数据
导出数据。在Datasets一栏点击Actions、Export Dataset导出已标注的数据。
选择导出的文件类型为JSONL(relation)，导出数据示例：
-
{
-
"id":
38,
-
"text":
"百科名片你知道我要什么，是歌手高明骏演唱的一首歌曲，1989年发行，收录于个人专辑《丛林男孩》中",
-
"relations": [
-
{
-
"id":
20,
-
"from_id":
51,
-
"to_id":
53,
-
"type":
"歌手"
-
},
-
{
-
"id":
21,
-
"from_id":
51,
-
"to_id":
55,
-
"type":
"发行时间"
-
},
-
{
-
"id":
22,
-
"from_id":
51,
-
"to_id":
54,
-
"type":
"所属专辑"
-
}
-
],
-
"entities": [
-
{
-
"id":
51,
-
"start_offset":
4,
-
"end_offset":
11,
-
"label":
"作品名"
-
},
-
{
-
"id":
53,
-
"start_offset":
15,
-
"end_offset":
18,
-
"label":
"人物名"
-
},
-
{
-
"id":
54,
-
"start_offset":
42,
-
"end_offset":
46,
-
"label":
"作品名"
-
},
-
{
-
"id":
55,
-
"start_offset":
26,
-
"end_offset":
31,
-
"label":
"时间"
-
}
-
]
-
}
标注数据保存在同一个文本文件中，每条样例占一行且存储为json格式，其包含以下字段
id: 样本在数据集中的唯一标识ID。text: 原始文本数据。entities: 数据中包含的Span标签，每个Span标签包含四个字段：
id: Span在数据集中的唯一标识ID。start_offset: Span的起始token在文本中的下标。end_offset: Span的结束token在文本中下标的下一个位置。label: Span类型。relations: 数据中包含的Relation标签，每个Relation标签包含四个字段：
id: (Span1, Relation, Span2)三元组在数据集中的唯一标识ID，不同样本中的相同三元组对应同一个ID。from_id: Span1对应的标识ID。to_id: Span2对应的标识ID。type: Relation类型。
3.5.2 导出分类式任务数据
选择导出的文件类型为JSONL，导出数据示例：
-
{
-
"id":
41,
-
"data":
"大年初一就把车前保险杠给碰坏了，保险杠和保险公司 真够倒霉的，我决定步行反省。",
-
"label": [
-
"负向"
-
]
-
}
标注数据保存在同一个文本文件中，每条样例占一行且存储为json格式，其包含以下字段
id: 样本在数据集中的唯一标识ID。data: 原始文本数据。label: 文本对应类别标签。
3.6.添加成员、添加标注指南、开始给文本打标、审核标注结果、阅读项目信息
见链接：
Django 实现管理员登录：这个过程需要Django
占个坑位后续补充！！！！
在为机器学习的语料库打标的时候，由于语料库一般比较大，需要多个人协同完成语料库的打标工作。也就是在初始配置doccano的时候创建的超级用户admin。因此，为了让其他人参与到打标项目中来，我们首先需要为其他成员创建账户。
-
# 多人标注：设置用户名= admin,密码=pass
-
-
doccano createuser
--username user1 --password 123456
-
3.7.标注完数据转化：
该章节详细说明如何通过doccano.py脚本对doccano平台导出的标注数据进行转换，一键生成训练/验证/测试集。
3.7.1 抽取式任务数据转换
- 当标注完成后，在 doccano 平台上导出
JSONL(relation)形式的文件，并将其重命名为doccano_ext.json后，放入./data目录下。- 通过 doccano.py 脚本进行数据形式转换，然后便可以开始进行相应模型训练。
-
python doccano.py \
-
--doccano_file ./data/doccano_ext.json \
-
--task_type
"ext" \
-
--save_dir ./data \
-
--negative_ratio
5
3.7.2 分类式任务数据转换
- 当标注完成后，在 doccano 平台上导出
JSON形式的文件，并将其重命名为doccano_cls.json后，放入./data目录下。 - 在数据转换阶段，我们会自动构造用于模型训练需要的prompt信息。例如句子级情感分类中，prompt为
情感倾向[正向,负向]，可以通过prompt_prefix和options参数进行声明。 - 通过 doccano.py 脚本进行数据形式转换，然后便可以开始进行相应模型训练。
-
python doccano.py \
-
--doccano_file ./data/doccano_cls.json \
-
--task_type
"cls" \
-
--save_dir ./data \
-
--splits
0.8
0.1
0.1 \
-
--prompt_prefix
"情感倾向" \
-
--options
"正向"
"负向"
可配置参数说明：
doccano_file: 从doccano导出的数据标注文件。save_dir: 训练数据的保存目录，默认存储在data目录下。negative_ratio: 最大负例比例，该参数只对抽取类型任务有效，适当构造负例可提升模型效果。负例数量和实际的标签数量有关，最大负例数量 = negative_ratio * 正例数量。该参数只对训练集有效，默认为5。为了保证评估指标的准确性，验证集和测试集默认构造全负例。splits: 划分数据集时训练集、验证集所占的比例。默认为[0.8, 0.1, 0.1]表示按照8:1:1的比例将数据划分为训练集、验证集和测试集。task_type: 选择任务类型，可选有抽取和分类两种类型的任务。options: 指定分类任务的类别标签，该参数只对分类类型任务有效。prompt_prefix: 声明分类任务的prompt前缀信息，该参数只对分类类型任务有效。is_shuffle: 是否对数据集进行随机打散，默认为True。seed: 随机种子，默认为1000.
备注：
- 默认情况下 doccano.py 脚本会按照比例将数据划分为 train/dev/test 数据集
- 每次执行 doccano.py 脚本，将会覆盖已有的同名数据文件
- 在模型训练阶段我们推荐构造一些负例以提升模型效果，在数据转换阶段我们内置了这一功能。可通过
negative_ratio控制自动构造的负样本比例；负样本数量 = negative_ratio * 正样本数量。- 对于从doccano导出的文件，默认文件中的每条数据都是经过人工正确标注的。
各个任务标注文档参考：
https://github.com/PaddlePaddle/PaddleNLP/blob/develop/model_zoo/uie/doccano.md
1625
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
