README.md

LAnn标注工具

当前情况

• 目前为封闭域关系三元组标注，不提供新关系的标注，之前开放域关系三元组版本将不再维护，不再维护，不再维护，存在BUG！存在BUG！存在BUG！。
• 计划脱离对Django框架的依赖，借助PyQt的WebEngine实现标注界面和Python程序数据传输，更好地支持Pytorch和数据处理，已基本打通JS和Python之间的墙壁。
• 计划加入预训练BERT模型。

LAnn简介

LAnn（Little Annotator）是一个用于标注三元组的纯前段中文标注工具。具有使用简单的特点，采用网页的形式，使用浏览器便可运行。标注过程、结果直观，易后处理。基本不用配置，快速上手。可只用于NER标注，也可以适当修改，改为POS标注（实体类型改为词性，只进行实体标注）或者分词标注（设置特殊的实体类型“词语”，只进行实体标注）。 可以先后导入test.txt、entity_dict，然后启动软件的辅助标注试一试，试一试

快速上手

配置实体类型

在entity_type.js文件中配置实体类型和所显示的颜色，配置格式为："实体名称":"颜色"。目前最多支持26种实体类型的定义，选择快捷键分别对应与[0-9,a-z]

配置关系类型

在relation_type.js文件中配置关系类型和所显示的颜色，配置格式为："关系名称":"颜色"。目前最多支持26种关系类型的定义，选择快捷键分别对应与[0-9,a-z]

配置按键映射（如需要）

在keybind.js文件中配置按键。

配置辅助标注模型

LAnn读取文件

标注工具可以直接读取：

• 原始文本
• BIO命名实体标注后的文本
• LAnn标注过的文本

标注流程

实体的标注或取消：

鼠标选中文字，自动弹出实体类型选择页面，点击实体类型（或按相应的数字键，或者d：地理位置，r：人名，s：时间日期，g：公司名）完成标注，直接按空格将默认使用服务器给出的分类（服务器可用情况下）；或点击取消按钮（或按“a”键）消除先前的标注。 鼠标点击任意字符会立即双字符实体标注。

三元组的标注：

• 依次点击两个实体类型的元素（s,o），跳出关系选择界面进行三元组标注
• 在选择(锁定)元素时，“已选中(锁定)”标签会变成粉红色进行提示
• 选中元素后，可点击取消消除当前元素的标记
• 选中元素后，点击空白处（或按空格键）将取消选中
• 两次选中相同元素，将锁定该元素的选择，该功能在一个头实体有多个三元组的情况下非常有用
• 已标注的三元组再次进行标记可取消之前的标记

类VIM操作：

• h,j,k,l移动光标，g和；键分别向左右移动两个字符
• n、b翻页
• w、e跳转到上一个或下一个标记实体
• r跳转到标记结尾
• 空格选中，移动光标框选：s标记为实体；a取消当前标记（还支持快速修改：光标在实体或关系区域内时，不用选中可直接修改）
• 不用空格选中，直接按s或者f默认选中两个字符进行标注
• p分别标记[s，o]，双按p标记并锁定标记，但只能锁定s
• 可输入数字进行上下左右光标和页面的跳转，按回车直接跳转到指定数字页面，ctrl+g跳转到指定字符处

字符增删

有时候不可避免地需要增删字符，此时需要对三元组的索引进行调整，因此设计并加入了此功能。

• 删除字符

点击删除键（或按“x”）删除光标处的字符，如果当前字符对应有三元组，则三元组直接被舍弃。

• 插入字符

点击插入键（或按“u”）在光标前插入指定的字符，字符的标签默认为“O”，如有必要，重新标注实体。如果需要在页面最后位置处插入字符，需要间接操作才能实现（因为这种情况比较少见，故不再优化）。

删除的字符会默认为插入的字符，因此在删除后直接按插入键会恢复删除的字符，间接实现撤销功能。

标注存储格式

语料文本的标注结果文件（.lann）每行为一个字符，包含三列，每列用”\t“隔开，分别对应字符域、实体关系域和三元组域。

• 字符域：为统一格式和方便预览，原始文本的换行符“\n”用“_换行符_”代替。
• 实体关系域：采用BIO标注方式。
• 三元组域：包含相同S的三元组都记录在S首字符那一行，三元组之间采用“;”相隔，方便分割；SPO用“>”相隔。不构成三元组的字符该域为“X”。 使用前两个域分割后即为NER数据集。

辅助标注

初期-纯前端

• 在标注初期，LAnn标注工具会记录实体类型标注为词典，新的实体会根据编辑距离最小的、记录过的实体标签进行判断；
• 在勾选辅助序列标注选项后，会根据词典匹配进行预标注。标注策略：优先匹配长度最长的实体，长度相同时，保留原标注；
• 标注过的三元组会记录为三元组词条，同样根据编辑距离进行关系判断。

在保存时，会保存标注好的文件和记录的词典；导出的词典也可以重新导入。

Django后台辅助标注

LAnnBack为后台辅助标记部分，可支持实体分类模型、序列标注模型和关系分类模型。

前段：

• 勾选序列辅助标注 会将当前页面的文本进行序列预标注
• 设定实体或关系时，辅助给出相应的分类和概率

后端:

• 接收数据形式根据server.js确定
• LAnnBack/UI.py文件中，process、seqlab和triple_relation_classfy分别对应实体分类、序列标注和关系分类方法，适当修改调用自己的模型。
• 辅助标注后台如果收到带有标签的样本，将在new文件夹下记录新的样本，用于后期模型的训练。

开启辅助标注后台：

python manage.py runserver 0.0.0.0:8000

注意: 如果辅助标注服务器为本地计算机，需要安装django-cors-headers和设置来解决跨域访问问题。

数据集制作

NER

LAnn2NER.py文件用于将标注过的.lann文件转换为NER数据集，将自动读取当前result文件夹下所有的.lann文件，并按照75%的训练集和25%的测试集进行切分，同时输出数据集的统计信息。

三元组

LAnn2Triple.py文件用于将标注过的.lann文件转换为三元组数据集，将自动读取当前result文件夹下所有的.lann文件，并按照75%的训练集和25%的测试集进行切分，同时输出数据集的统计信息。数据集的格式同NYT，但所有Tokens为字符，且无POS特征。

TODO

• 三元组的编辑
• 多元组标注功能
• [-] 整合分词（统一为字符形式）
• 智能算法辅助标注
• BERT预训练模型在线训练（正在试验，效果差强人意）
• [-] 翻译为英文版（貌似没这个必要）
• 添加VIM模式
• 更优美的三元组显示方式
• 加入语料标注质量分析、提升功能