Formatos de dados NER personalizados aceites
Se estiver a tentar importar os seus dados para o NER personalizado, este tem de seguir um formato específico. Se não tiver dados para importar, pode criar o seu projeto e utilizar o Language Studio para etiquetar os seus documentos.
Formato de ficheiro etiquetas
O ficheiro Etiquetas deve estar no json
formato abaixo para ser utilizado na importação das etiquetas para um projeto.
{
"projectFileVersion": "2022-05-01",
"stringIndexType": "Utf16CodeUnit",
"metadata": {
"projectKind": "CustomEntityRecognition",
"storageInputContainerName": "{CONTAINER-NAME}",
"projectName": "{PROJECT-NAME}",
"multilingual": false,
"description": "Project-description",
"language": "en-us",
"settings": {}
},
"assets": {
"projectKind": "CustomEntityRecognition",
"entities": [
{
"category": "Entity1"
},
{
"category": "Entity2"
}
],
"documents": [
{
"location": "{DOCUMENT-NAME}",
"language": "{LANGUAGE-CODE}",
"dataset": "{DATASET}",
"entities": [
{
"regionOffset": 0,
"regionLength": 500,
"labels": [
{
"category": "Entity1",
"offset": 25,
"length": 10
},
{
"category": "Entity2",
"offset": 120,
"length": 8
}
]
}
]
},
{
"location": "{DOCUMENT-NAME}",
"language": "{LANGUAGE-CODE}",
"dataset": "{DATASET}",
"entities": [
{
"regionOffset": 0,
"regionLength": 100,
"labels": [
{
"category": "Entity2",
"offset": 20,
"length": 5
}
]
}
]
}
]
}
}
Chave | Marcador de posição | Valor | Exemplo |
---|---|---|---|
multilingual |
true |
Um valor booleano que lhe permite ter documentos em vários idiomas no seu conjunto de dados e quando o modelo é implementado pode consultar o modelo em qualquer idioma suportado (não necessariamente incluído nos seus documentos de preparação). Veja o suporte de idiomas para saber mais sobre o suporte multilinngue. | true |
projectName |
{PROJECT-NAME} |
Nome do projeto | myproject |
storageInputContainerName | {CONTAINER-NAME} |
Nome do contentor | mycontainer |
entities |
Matriz que contém todos os tipos de entidade que tem no projeto. Estes são os tipos de entidade que serão extraídos dos seus documentos para. | ||
documents |
Matriz que contém todos os documentos no seu projeto e lista das entidades etiquetadas em cada documento. | [] | |
location |
{DOCUMENT-NAME} |
A localização dos documentos no contentor de armazenamento. Uma vez que todos os documentos estão na raiz do contentor, este deve ser o nome do documento. | doc1.txt |
dataset |
{DATASET} |
O conjunto de testes para o qual este ficheiro será dividido antes da preparação. Saiba mais sobre a divisão de dados aqui . Os valores possíveis para este campo são Train e Test . |
Train |
regionOffset |
A posição de caráter inclusivo do início do texto. | 0 |
|
regionLength |
O comprimento da caixa delimitadora em termos de carateres UTF16. A formação considera apenas os dados nesta região. | 500 |
|
category |
O tipo de entidade associada ao intervalo de texto especificado. | Entity1 |
|
offset |
A posição de início do texto da entidade. | 25 |
|
length |
O comprimento da entidade em termos de carateres UTF16. | 20 |
|
language |
{LANGUAGE-CODE} |
Uma cadeia que especifica o código de idioma do documento utilizado no seu projeto. Se o projeto for um projeto multilinngue, escolha o código de idioma da maioria dos documentos. Veja Suporte de idiomas para obter mais informações sobre os códigos de idioma suportados. | en-us |
Passos seguintes
- Pode importar os dados etiquetados diretamente para o seu projeto. Saiba como importar o projeto
- Veja o artigo de procedimentos para obter mais informações sobre a etiquetagem dos seus dados. Quando terminar de etiquetar os seus dados, pode preparar o modelo.