Nlp 从初始注释引擎导出带有标签的文本序列

我正在使用INCEpTION（）对我的法律文档进行注释。是否有一种方法可以代替《盗梦空间》中提供的任何导出格式，导出我标记的原始文本序列及其标签名称

我这里的用例是创建一个数据集，其中我将文本中的句子注释为文本序列（对于法律领域，句子边界检测没有很好地解决），并为每个句子添加一个自定义标记

理想的导出格式是，在txt文件的每一行上： 文本标签

---

我希望实现的数据格式与您在这里看到的类似：

假设您在INCEpTION中配置了一个名为

Segment

的跨层（转换为内部名称

webanno.custom.Segment

）您已经在《盗梦空间》的注释页面上，将名为

my text.txt的文档中的几个句子注释为
Segment
。让我们进一步假设
段
层被配置为具有名为
标签
的字符串功能，您可以在其中输入值，例如
事实
，
决策比率
，以及
先例

现在，您可以通过UIMA CAS XMI（XML 1.0）中注释页面操作栏中的导出按钮导出单个注释文档。您得到的是一个ZIP文件，其中包含两个文件：


包含注释文本的
my text.xmi
文件
包含注释方案的
TypeSystem.xml
文件

假设您已经安装了Python3，现在就可以安装一个库，它可以帮助您使用上面的两个文件

pip install dkpro-cassis

现在，您可以使用Cassis编写一个简短的Python脚本，该脚本读取注释并以所需的格式输出它们：

from cassis import *

with open('TypeSystem.xml', 'rb') as f:
  typesystem = load_typesystem(f)

with open('my-text.xmi', 'rb') as f:
  doc = load_cas_from_xmi(f, typesystem=typesystem)

with open('output.txt', 'w') as f:
  for segment in doc.select('webanno.custom.Segment'):
    f.write(f"{segment.get_covered_text()}\t{segment.label}\n")

在INCEpTION网站的一节中有一个类似的准备运行的示例

免责声明：我正在从事INCEpTION项目