数据标注工具 doccano | 命名实体识别（Named Entity Recognition，简称NER）

目录

• 安装
• 数据准备
• 创建项目
  • 创建抽取式任务
• 上传
• 定义标签
  • 构建抽取式任务标签
• 任务标注
  • 命名实体识别
• 导出数据
• 查看数据
• 应用实例

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。

安装

详见：数据标注工具 doccano | 文本分类（Text Classification）

数据准备

上传的文件为txt格式，每一行为一条待标注文本，示例:
corpus.txt 随便找了几个，一般都是垂直领域的数据标注

（右肝肿瘤）肝细胞性肝癌（II-III级，梁索型和假腺管型），肿瘤包膜不完整，紧邻肝被膜，侵及周围肝组织，未见脉管内癌栓（MVI分级：M0级）及卫星子灶形成。（肿物1个，大小4.2×4.0×2.8cm）。
患者20天前无明显诱因出现左侧胸背部持续性疼痛，于2025.02.01下城区中西医结合医院查胸部CT平扫示：右下肺少许炎症；肺气肿；慢性胰腺炎；建议追踪复查
双肺透亮度可，左下肺背段见一类圆开/结节影，大小约27X28mm,周围可见片状密度增高影，病变局部与胸膜粘连

创建项目

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

  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

  适配文本分类、句子级情感倾向分类等任务。

创建抽取式任务

上传

NOTE：doccano支持TextFile、TextLine、JSONL和CoNLL四种数据上传格式，UIE定制训练中统一使用TextLine这一文件格式，即上传的文件需要为txt格式，且在数据标注时，该文件的每一行待标注文本显示为一页内容。

定义标签

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。
以 corpus.txt 中的第一条数据为例(医疗场景-专病结构化):

任务标注

命名实体识别

导出数据

选择导出的文件类型为JSONL(relation)，导出数据示例：

查看数据

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。

应用实例

PaddleNLP UIE -- 药品说明书信息抽取(名称、规格、用法、用量）