你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

在 Language Studio 中标记数据

在训练模型之前，需要使用要提取的自定义实体来标记文档。 数据标记是开发生命周期中的关键步骤。 在此步骤中，可以创建要从数据中提取的实体类型，并在文档中标记这些实体。 这些数据将在下一步训练模型时使用，以便模型可以从标记的数据中学习。 如果已有标记的数据，可以直接将其导入到项目中，但需要确保数据遵循可接受的数据格式。 请参阅创建项目，了解有关如何将标记的数据导入项目。

在创建自定义 NER 模型之前，需要先拥有标记的数据。 如果数据尚未标记，可以在 Language Studio 中对其进行标记。 标记的数据可告知模型如何解释文本，并且会用于训练和评估。

先决条件

标记数据之前，需要：

• 一个成功创建的项目，并配置了 Azure Blob 存储帐户
• 已上传到存储帐户的文本数据。

有关详细信息，请参阅项目开发生命周期。

数据标记指南

在准备数据、设计架构和创建项目之后，需要标记数据。 标记数据很重要，以便模型能够知道哪些字词将与需要提取的实体类型相关联。 在 Language Studio 中标记数据（或导入已标记数据）时，这些标签将存储在已连接到此项目的存储容器中的 JSON 文档中。

标记数据时，请记住：

• 通常，如果准确标记数据，则标记更多的数据会产生更好的结果。

• 标记数据的精度、一致性和完整性是确定模型性能的关键因素。

  • 精确标记：始终将每个实体标记为正确的类型。 仅包含要提取的内容，避免标签中出现不必要的数据。
  • 一致标记：同一实体在所有文档中都应具有相同的标签。
  • 完全标记：标记所有文档中实体的所有实例。 可以使用自动标记功能来确保完全标记。

  注意

  没有固定数量的标签可以保证模型性能最佳。 模型性能取决于架构中可能存在的歧义以及标记数据的质量。 尽管如此，我们建议每个实体类型有大约 50 个标记的实例。

标记数据

使用以下步骤标记数据：

1. 转到 Language Studio 中的项目页面。

2. 在左侧菜单中，选择“数据标记”。 可以在存储容器中找到所有文档的列表。

   提示

   可以使用顶部菜单中的筛选器来查看未标记的文档，以便开始标记它们。 还可以使用筛选器查看标有特定实体类型的文档。

3. 在顶部菜单的左侧更改为单个文档视图或选择特定文档以开始标记。 可以在左侧找到项目中可用的所有 .txt 文档的列表。 可以使用页面底部的“返回”和“下一步”按钮来浏览文档。

   注意

   如果为项目启用了多种语言，则会在顶部菜单中找到一个“语言”下拉菜单，可用于选择每个文档的语言。

4. 在右侧窗格中，向项目“添加实体类型”，以便可以开始使用它们标记数据。

5. 有两个选项可用于标记文档：

   选项	说明
   使用画笔标记	选择右侧窗格中实体类型旁边的画笔图标，然后突出显示文档中要使用此实体类型注释的文本。
   使用菜单标记	突出显示要标记为实体的字词，随后将显示一个菜单。 选择要为此实体分配的实体类型。

   以下屏幕截图显示了使用画笔进行标记。

   

6. 在“标签”透视下方的右侧窗格中，可以找到项目中的所有实体类型以及每个实体类型的已标记实例数。

7. 在右侧窗格的底部，可以将正在查看的当前文档添加到训练集或测试集。 默认情况下，所有文档都将添加到训练集内。 详细了解训练集和测试集以及它们如何用于模型训练和评估。

   提示

   如果计划使用自动数据拆分，请使用将所有文档分配到训练集中的默认选项。

8. 在“分布”透视下，可以查看训练集和测试集中的分布。 有两种查看方式：

   • 实例总数，即可以在其中查看特定实体类型的所有已标记实例的计数。
   • 至少具有一个标签的文档，即如果文档至少包含该实体的一个已标记的实例，则将被计算在内。

9. 标记时，更改将定期同步，如果尚未保存，你会在页面顶部看到一条警告。 如果想手动保存，请点击页面底部的“保存标签”按钮。

删除标签

删除标签的步骤：

1. 选择要从中删除标签的实体。
2. 滚动显示的菜单，然后选择“删除标签”。

删除实体

若要删除实体，请选择要删除的实体旁边的删除图标。 删除实体将从数据集中删除其所有标记的实例。

后续步骤

标记数据后，可以开始训练要基于数据进行学习的模型。