NLP（十四）自制序列标注平台

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：

项目结构图

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' /> \
                                &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">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" />
            &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 , 则会显示如下界面：

序列标注平台界面

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：

标注过程的例子

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：

形成的标注序列

同时，我们也可以查看保存的txt文档信息，如下：

保存的txt文件

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：

稍微复杂些的标注

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

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~