基于富文本的预标注前端可视化实现方法及系统技术方案

本发明专利技术公开了一种基于富文本的预标注前端可视化实现方法及系统，属于知识图谱技术领域。对输入的富文本内容进行知识自动抽取，根据知识抽取结果对照已有的富文本，构造新的虚拟节点语法树，进而对超文本标记语言字符串进行分片处理，并根据不同的分片类型构造不同的标签，最终针对富文本进行文本结构替换和重绘，实现富文本内容的预标注。本发明专利技术一方面能够解决特定领域模型算法预标注成本高、标注结果不准确的问题；另一方面能够解决预标注无法保留文本样式，特别是图片和表格的样式的问题，有助于提高标注后文本的可读性，降低人工对预标注结果进行二次编辑的标难度。对预标注结果进行二次编辑的标难度。对预标注结果进行二次编辑的标难度。

【技术实现步骤摘要】
基于富文本的预标注前端可视化实现方法及系统


[0001]本专利技术属于知识图谱
，提出一种基于富文本的实体关系抽取的预标注实现方法及系统。

技术介绍

[0002]在知识图谱
，为了实现深度学习算法模型的充分学习，需获取大规模的供实体抽取模型训练的语料。在实际的语料收集过程中，往往是靠人工标注的方式收集标注数据。而人工标注比较费时费力，一篇几万甚至几十万字的文章，单靠人工标注会耗费大量时间，效率低下；与此同时，在面向领域的知识抽取任务中，因领域数据的专业性较强以及领域专家稀缺，这使得领域语料的标注成本极高、标注结果不准确。因此针对特定领域进行模型算法预标注，在预标注的基础上结合人工二次标注，就可以大大提高标注效率和标注结果的准确率。
[0003]现有的标注以及预标注的可视化展示实现大都是将带有格式的文本转换成无格式文本，然后将其嵌入到SVG或者CANVAS画布中展示。虽然可以实现标注的效果，但是这种方式严重破坏了文本的原有的版面格式。

技术实现思路

[0004]本专利技术的目的是提出一种基于富文本的预标注前端可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于富文本的预标注前端可视化实现方法，其特征在于，包括以下步骤：1)将待标注的目标文档转换成超文本标记语言字符串，在前端以富文本形式展示；2)对所述超文本标记语言字符串进行解析处理，得到纯文本字符串，然后输入到对应领域的训练好的知识抽取算法模型中进行知识抽取，输出抽取结果，该抽取结果包括实体结果列表和关联关系列表；3)将所述实体结果列表中的实体类型与本地存储的实体类型进行比对，将所述关联关系列表中的关联关系类型与本地存储的关联关系类型进行比对，将不存在于本地存储的实体类型和关联关系类型进行存储和展示；4)对于所述超文本标记语言字符串的Dom节点树，为每个节点设定索引范围；然后判断所述实体结果列表中的实体项的索引范围是否在当前节点的索引范围内，如果在，则将该实体项加入当前节点的实体结果列表entityRangeList中；如果当前节点是叶子节点，则将entityRangeList作为当前节点的标注结果挂载到叶子节点上，并对当前节点的文本进行以下分片处理；5)根据entityRangeList的实体项的索引范围是否含有交叉或包含关系划分为不同的索引区间，并将entityRangeList构建给成由普通标注和嵌套标注两种标注类型构成的多维数组annotationList，挂载到当前节点上；6)对annotationList的每一项的索引范围与当前节点的索引范围进行比较，根据比较结果将当前节点的文本划分成普通文本、普通标注和嵌套标注三种分片类型，并构建数组segmentList挂载到当前节点上；7)根据划分的三种分片类型，对segmentList的每项片段的Dom结构进行重构，用超文本标记语言字符串进行结构替换，同时用标注块对Dom结构进行标注，将替换的超文本标记语言字符串按照顺序进行拼接，得到拼接后的Dom结构，用该结构替换当前节点并进行可视化展示。2.如权利要求1所述的方法，其特征在于，步骤1)中首先使用java语言集成了Apache POI开源工具，将doc、docx或txt格式的待标注目标文档转换成超文本标记语言字符串；然后通过Http服务传给前端实现在网页中以富文本形式展示。3.如权利要求1所述的方法，其特征在于，步骤4)中为每个节点设定索引范围的步骤包括：为每一个Dom节点添加自定义属性startIndex和endIndex，startIndex表示节点内包含文本内容相对于全文本内容的起始索引，endIndex表示节点内包含的抽取的文本相对于全文本的结束索引。4.如权利要求3所述的方法，其特征在于，所述实体结果列表的实体项包括抽取的文本、实体类型、startIndex和endIndex。5.如权利要求1所述的方法，其特征在...

【专利技术属性】
技术研发人员：索玉文，李守斌，王青，
申请(专利权)人：中国科学院软件研究所，
类型：发明
国别省市：