通常使用哪些标记语言来标注信息抽取语料库
What markup languages are typically used for annotating information extraction corpora
我正在构建用于提取特定类型信息的信息提取语料库，并且我正在尝试确定注释实体的最佳方式。我发现 IEER 语料库为此使用 SGML 标记元素 ENAMEX、NUMEX 和 TIMEX 标记（如此处所述：http://itl.nist.gov/iaui/894.02/related_projects/muc/proceedings/ne_task.html）。由于该文档是在 1997 年编写的，我猜想使用这种基于 SGML 的方法已经过时了，并且必须有更好的方法来做到这一点，例如使用 OWL、RDF 或 XML。是否有更新的行业标准来标注信息提取语料库？
我想说该领域没有足够的标准化，但也不清楚是否需要单一格式。我的建议是查看选项并选择最适合您的数据和您正在编码的信息的选项。
brat is the new classic in terms of annotating language resources. It has it's own standoff annotation standard. There is also the Anafora tool which also has it's own XML-based standard. The UIMA-based tools usually use a CAS standard (but bad documentation). You should also look at the native GATE XML format.
如果您要编码的信息足够简单，比如命名实体类型，您甚至可以采用表格格式，例如 CoNLL.
如果其中 none 满足您的要求，只需实施适合它们的任何内容即可。
NLTK 书 (chapter 07, paragraph: Representing Chunks: Tags vs Trees) 指出：
The most widespread file representation uses IOB tags.
并继续解释：
[...] each token is tagged with one of three special chunk tags, I (inside), O (outside), or B (begin). [...] The B and I tags are suffixed with the chunk type, e.g. B-NP, I-NP
We PRP B-NP
saw VBD O
the DT B-NP
little JJ I-NP
yellow JJ I-NP
dog NN I-NP
维基百科在 IOB format 上有一个页面。
Stanford NLP apparently 也支持它。
spaCy 使用略有不同的 BILUO format.
我正在构建用于提取特定类型信息的信息提取语料库，并且我正在尝试确定注释实体的最佳方式。我发现 IEER 语料库为此使用 SGML 标记元素 ENAMEX、NUMEX 和 TIMEX 标记（如此处所述：http://itl.nist.gov/iaui/894.02/related_projects/muc/proceedings/ne_task.html）。由于该文档是在 1997 年编写的，我猜想使用这种基于 SGML 的方法已经过时了，并且必须有更好的方法来做到这一点，例如使用 OWL、RDF 或 XML。是否有更新的行业标准来标注信息提取语料库？
我想说该领域没有足够的标准化，但也不清楚是否需要单一格式。我的建议是查看选项并选择最适合您的数据和您正在编码的信息的选项。
brat is the new classic in terms of annotating language resources. It has it's own standoff annotation standard. There is also the Anafora tool which also has it's own XML-based standard. The UIMA-based tools usually use a CAS standard (but bad documentation). You should also look at the native GATE XML format.
如果您要编码的信息足够简单，比如命名实体类型，您甚至可以采用表格格式，例如 CoNLL.
如果其中 none 满足您的要求，只需实施适合它们的任何内容即可。
NLTK 书 (chapter 07, paragraph: Representing Chunks: Tags vs Trees) 指出：
The most widespread file representation uses IOB tags.
并继续解释：
[...] each token is tagged with one of three special chunk tags, I (inside), O (outside), or B (begin). [...] The B and I tags are suffixed with the chunk type, e.g. B-NP, I-NP
We PRP B-NP saw VBD O the DT B-NP little JJ I-NP yellow JJ I-NP dog NN I-NP
维基百科在 IOB format 上有一个页面。
Stanford NLP apparently 也支持它。
spaCy 使用略有不同的 BILUO format.