4. 基于 Label studio 的训练数据标注指南:情感分析任务观点词抽取、属性抽取
情感分析任务 Label Studio 使用指南
1.基于Label studio的训练数据标注指南:信息抽取(实体关系抽取)、文本分类等
2.基于Label studio的训练数据标注指南:(智能文档)文档抽取任务、PDF、表格、图片抽取标注等
3.基于Label studio的训练数据标注指南:文本分类任务
4.基于Label studio的训练数据标注指南:情感分析任务观点词抽取、属性抽取
目录
1. label-studio 安装
本内容在以下环境进行测试安装:
python == 3.9.12
label-studio == 1.6.0
在终端(terminal)使用 pip 安装 label-studio:
安装完成后,运行以下命令行:
在浏览器打开http://localhost:8080/,输入用户名和密码登录,开始使用 label-studio 进行标注。
2. label-studio 项目创建
创建项目之前,需要先确定标注的任务类型以及需要标注哪些内容,然后点击创建(Create)开始创建一个新的项目,填写项目名称、描述。
如果数据已经准备好,可以在此进行导入数据。
接下来,根据需要标注的任务类型,选择适合的任务。在本项目中,默认会包含两种类型的任务:语句级情感分类任务和属性级情感分析任务。由于这两者都属于自然语言处理(NLP)任务,因此可以点击 Natural Language Processing
选项,在该选项下面进行选择相应的子项任务。
如果标注语句级情感分类任务,请选择
Text Classification
。
如果标注属性级情感分析任务,比如属性-观点词-情感极性三元组的信息抽取,请选择
Relation Extraction
。
最后点击保存即可。
3. 情感分析任务标注
3.1 语句级情感分类任务
这里对应的任务类型为Text Classification
,在标注之前,需要设定正向
和负向
的标签,然后保存即可。
设定好标签后,即可开始进行标注,选择正向或负向,最后点击提交,便标注好一条数据。
3.2 属性级情感分析任务
在本项目中,属性级的情感分析需要配置的标注任务类型为Relation Extraction
,包括属性抽取、观点抽取、属性-观点抽取、属性-情感极性抽取、属性-情感极性-观点词三元组抽取等任务。其中属性-情感极-观点词(A-S-O)三元组抽取是最常见的任务之一,下面优先讲解该任务的标注规则。
3.2.1 属性-情感极性-观点词抽取
属性-情感极性-观点词(A-S-O)三元组抽取标注内容涉及两类标签:Span 类型标签和 Relation 类型标签。其中 Span 标签用于定位文本批评中属性、观点词和情感极性三类信息,Relation 类型标签用于设置评价维度和观点词、情感倾向之间的关系。
(1)Span 类型标签
这里需要定位属性、情感极性、观点词三类信息,在标注时,需要将属性和情感极性进行组合,形成复合标签。具体来讲,设定评价维度##正向
用于定位情感倾向为正向的属性,评价维度##负向
用于定位情感倾向为负向的属性。另外,利用标注标签观点词
定位语句中的观点词。
(2)Relation 类型标签
这里只涉及到 1 中 Relation 类型标签,即评价维度
到观点词
的映射关系。这里可以设置一下两者关系的名称,即点击 Code,然后配置关系名称(这里将两者关系设置为观点词
),最后点击保存即可。
在设置好 Span 类型和 Relation 标签之后,便可以开始进行标注数据了。
3.2.2 属性-情感极性抽取
如 3.2.1 所述,本项目中针对属性-情感极性(A-S)抽取任务,采用Span
的形式进行标注。设定评价维度##正向
用于定位情感倾向为正向的属性,评价维度##负向
用于定位情感倾向为负向的属性。下图展示了关于属性-情感极性抽取任务的标注示例。
3.2.3 属性-观点词抽取
针对属性-观点词(A-O)抽取任务,采用Relation
的形式进行标注。这需要将属性对应标注标签设定为评价维度
,观点词设定为观点词
。下图展示了关于属性-观点词抽取任务的标注示例。
3.2.4 属性抽取
针对属性(A)抽取任务,采用Span
的形式进行标注。 这需要将属性对应的标注标签设定为评价维度
。下图展示了关于属性抽取任务的标注示例。
3.2.4 观点词抽取
针对观点词(O)抽取任务,采用Span
的形式进行标注。 这需要将观点词对应的标注标签设定为观点词
。下图展示了关于观点词抽取任务的标注示例。
4. 导出标注数据
勾选已标注文本 ID,点击 Export 按钮,选择导出的文件类型为JSON
,导出数据:
5. References
版权声明: 本文为 InfoQ 作者【汀丶】的原创文章。
原文链接:【http://xie.infoq.cn/article/c4b8e6336fde1e68849ff6c47】。
本文遵守【CC-BY 4.0】协议,转载请保留原文出处及本版权声明。
评论