NLP（十四）自制序列標註平臺

時間 2019-11-15

標籤 nlp 十四自制序列標註平臺简体版

原文原文鏈接

背景介紹

在平時的NLP任務中，咱們常常用到命名實體識別（NER），經常使用的識別實體類型爲人名、地名、組織機構名，可是咱們每每也會有識別其它實體的需求，好比時間、品牌名等。在利用算法作實體識別的時候，咱們通常採用序列標註算法，這就對標註的文本格式有必定的要求，所以，一個好的序列標註的平臺必不可少，將會大大減小咱們標註的工做量，有效提高算法的更新迭代速度。
本文將介紹筆者的一個工做：自制的序列標註平臺。咱們以時間識別爲例。好比，在下面的文章中：css

按計劃，2019年8月10日，榮耀智慧屏將在華爲開發者大會上正式亮相，在8月6日，榮耀官微表示該產品的預定量已破十萬臺，8月7日下午，榮耀總裁趙明又在微博上造勢率先打出差別化牌，智慧屏沒有開關機廣告，並表態之後也不會有，消費者體驗至上，營銷一波接一波，可謂來勢洶洶。html

咱們須要從該文章中標註出三個時間：2019年8月10日，8月6日，8月7日下午，並造成標註序列。
下面將詳細介紹筆者的工做。前端

序列標註平臺

因爲開發時間倉促以及筆者能力有限，所以，序列標註平臺的功能尚未很完善，但願筆者的工做能拋磚引玉。
項目的結構圖以下：python

templates中存放靜態資源，time_index.html爲平臺的操做界面，time_output爲平臺標註完實體後的文件保存路徑，time_server.py是用tornado寫的服務端路徑控制代碼，utils.py中是獲取某個路徑下的txt文件的最大數值的函數。jquery

其中，utils.py的完整代碼以下：git

# -*- coding: utf-8 -*-
# time: 2019-03-14
# place: Xinbeiqiao, Beijing

import os

# 獲取當前所在目錄的txt文本的最大數值
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的完整代碼以下：github

# -*- 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

#定義端口爲9005
define("port", default=9005, help="run on the given port", type=int)

# GET請求
class QueryHandler(tornado.web.RequestHandler):
    # get函數
    def get(self):
        self.render('time_index.html', data = ['', []])

# POST請求
class PostHandler(tornado.web.RequestHandler):
    # post函數
    def post(self):

        # 獲取前端參數, event, time, index
        event = self.get_argument('event')
        times = self.get_arguments('time')
        indices = self.get_arguments('index')
        print(event)
        print(times)
        print(indices)

        # 前端顯示序列標註信息
        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)

        # 保存爲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')


# 主函數
def main():
    # 開啓tornado服務
    tornado.options.parse_command_line()
    # 定義app
    app = tornado.web.Application(
            handlers=[(r'/query', QueryHandler),
                      (r'/result', PostHandler)
                      ], #網頁路徑控制
            template_path=os.path.join(os.path.dirname(__file__), "templates") # 模板路徑
          )
    http_server = tornado.httpserver.HTTPServer(app)
    http_server.listen(options.port)
    tornado.ioloop.IOLoop.instance().start()

main()

time_index.html文件以下：web

<!DOCTYPE html>
<html>
<head>
    <meta charset="utf-8">
    <title>時間抽取標註平臺</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;

        // 雙擊第i個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);
                }
            }
        }

        // 添加輸入框和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' /> \
                                &emsp;&emsp;&emsp; <select class='form-control' name='index' id="+ index_id + " style='width:120px;' \
                                ondblclick='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">輸入語料</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">時間</label>
        <div class="col-sm-10" id="time_column">
            <input type="text" class="form-control" id="time_0" style="width:306px;" name="time" />
            &emsp;&emsp;&emsp;
            <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">添加時間</button>
            <button type="submit" class="btn btn-success">顯示標籤</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>

平臺使用

運行上述time_server.py後，在瀏覽器端輸入網址: http://localhost:9005/query , 則會顯示以下界面：算法

在輸入語料框中，咱們輸入語料：bootstrap

8月8日是「全民健身日」，推出重磅微視頻《咱們要贏的，是本身》。

在時間這個輸入框中，能夠標註語料中的時間，同時雙擊同一行中的下拉列表，就能顯示該標註時間在語料中的起始位置，有時候一樣的標註時間會在語料中出現屢次，那麼咱們在下拉列表中選擇咱們須要的標註的起始位置便可。
點擊添加時間按鈕，它會增長一行標註，容許咱們在同一份預料中標註多個時間。咱們的一個簡單的標註例子以下：

點擊顯示標註，則會顯示咱們標註完後造成的序列標註信息，同時將該序列信息保存爲txt文件，該txt文件位於time_output目錄下。在網頁上的序列標註信息以下：

同時，咱們也能夠查看保存的txt文檔信息，以下：

點擊返回按鈕，它會容許咱們進行下一次的標註。剛纔展現的只是一個簡單例子，稍微複雜的標註以下圖：

它造成的標註序列(部分)以下：

按   O
計   O
劃   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
榮   O
耀   O
智   O
慧   O
屏   O
將   O
在   O
華   O
爲   O
開   O
發   O
者   O
大   O
會   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
榮   O
耀   O
官   O
微   O
表   O
示   O
該   O
產   O
品   O
......