实体关系标注工具最佳实践

原创 AI 研发中心来也技术团队

“ 如果你有机会采访一下 AI 算法工程师，什么是机器学习中最重要的事儿？

他们大概率会咆哮着告诉你：数据！数据！数据！

如何获得高质量的标注数据？如何提高标注同学的工作效率？是每个 AI 团队最重要的思考之一。

本文向大家详细阐述了来也科技 AI 研发中心在实现 “实体关系标注工具” 上的最佳实践。

”

首先，为了您能顺利理解本文内容，对常见的技术名词说明如下：

NLP：Natural Language Processing 自然语言处理

实体关系：见下图

数据标注：数据标注即通过分类、画框、标注、注释等，对图片、语音、文本等数据进行处理，标记对象的特征，以作为机器学习的基础素材。

标注数据的流转：见下图

背景

对话机器人是来也科技的当家产品之一。对话机器人的核心能力之一就是自然语言处理（NLP），而标明实体关系的数据则是提升 NLP 能力的重要输入。

来也科技在标注实例关系数据上，历经了 3 个阶段：

借助 Excel 标注数据
使用市面上现有的标注工具
自主研发标注工具

Excel 标注

Excel 标注的缺点是显而易见的：

操作、协同不便

所有关系维护在一个表格中，需要手动查找及复制
不方便多人操作统一数据集，且容易误操作

共享表格，权限无法细化
标注状态、审核状态等不方便维护

市面上的标注工具（我们以百度大脑举例）

这个工具相较 Excel 有很明显的优点：

通过刷选文本取代过去复制粘贴文本的标注方式
通过共享实体和实体类型取代过去靠成员间约定的维护方式
通过高亮文本并添加指示线取代在原文档中大海捞针的审核方式
各实体持有关系数展示
点击标注结果时会用虚线指向2个实体

但也有不满足我们需求的地方：

同一段文本不能被标为多种实体：实际业务场景中同段文本可能需要被拆分成多个实体，彼此之间创建实体关系。如图：
跨行标注时会扰乱原本的文本结构，影响标注体验。如图：
查看实体关系的实体高亮不明显，实体间的虚线可能会被文本遮盖，实际作用不大
标注时不能创建实体类型和关系类型，需要到另一个页面编辑，但我们希望可以不要切换

自主研发

在此背景下，我们决定研发自己的实体关系标注工具。除了基本的标注需求外，我们还抽象出以下几点重点需求：

标注页面可以实时维护类型信息
同段文本可标注为多个实体

分行排版
获取字符位置

跨行实体不会被拆成单独的一行

来也科技实体关系标注工具实践

通过对需求的反复分析，我们确定了实体关系标注工具的目标使用方式：

标注页面可以实时维护类型信息

这是比较简单的需求，我们只需要在标注页面添加类型维护，并且使其在更新后可以立刻投入使用即可。

同段文本可标注为多个实体

我们的需求是，同一段文字可被多次标注。如下图：

这个需求比较具有挑战性，且当前业内并没有一套可参照的方案满足我们的业务场景。

通过调研分析，我们发现：一段文本之所以无法被标注为多个实体，是因为现有的标注方式是在已有的文本元素上添加样式，不论是背景色、下划线，其本质都是在利用原本的文本元素。

因为 DOM 元素的固有限制，一段文本最多只能对应一种背景色，以及一种下划线。

要想让一段文本可以被标注为多个实体，那么文本和标注肯定不是一个 DOM 元素。所以，我们采取“引入额外线段”的方式来表示标注，并通过“绝对定位”定位到文本下方。这样，一段文本就可以对应多个标注了。

我们需要准确的获取标注文本的位置信息。可并没有现成的组件，能够返回指定字符在给定文本中的具体位置。

所以，我们就自己实现了一个文字排版容器：

把文本逐字填入容器，当超过容器宽度时，就将文本放入下一行。
选中的文本宽度可以通过 DOM 属性 offsetWidth 直接获取。

伪代码如下：

function breakIntoLines(str, width) {    // 获取测试宽度的span，该span继承标注工具的文字样式    const span = getTestSpanInstance();
    // 分行信息    const lines = [];
    // 当前行的文本    let tokens = '';    // 当前行行首在str中的index    let stIndex = 0;
    // 遍历字符串    while (str.length) {        // 判断当前文本再加一个字符会不会超宽        span.innerText = tokens + str[0];
        // 如果超宽，就将之前的文本放入分行信息中，超出部分单起一行        if(span.offsetWidth >= width) {            lines.push({                stIndex,                tokens,            });            stIndex += tokens.length;            tokens = str[0];        }        // 如果未超宽，则将该字符添加到当前行        else {            tokens += str[0];        }
        // 吐出被插入的字符        str = str.slice(1);    }
    // 插入最后一行    if(tokens) {        lines.push({            stIndex,            tokens,        })    }
    return lines;}

获取字符位置

如何对标注的数据进行展示呢？

横向偏移量计算：每行分完，通过计算文字的宽度即可获取标注的横向偏移量
纵向偏移量计算：判断是否与已处理完成的标注重叠，计算纵向偏移量

function injectMarksIntoLines (lines, marks) {    for(let line of lines) {        // 获取每行内的标注        for(let mark of marks) {            if(isMarkInLine(mark, line) {                line.marks = line.marks ? line.marks.concat(mark) : [mark]            }        }
        // 根据重叠数量，确定每个标注的垂直偏移量        line.marks = line.marks.map((mark, i, arr) => {            let y = 0;            for(let j = 0; j < i; j++) {                if(isOverlap(mark, arr[j])) {                    y++;                }            }            return {                ...mark,                y,            }        })    }}

跨行实体不会被拆成单独的一行

市面上的工具在标注跨行文本时，会因为标注不能拆分为多行，而将标注的文字机械化的放在同一行，这就造成了两个问题：

不必要的分行
文本一行展示不下时，超宽内容不可见

这样的处理方式，会使得文本难以阅读。如下图所示：

来也科技自主研发的标注工具，已经摆脱通过文本样式实现标注这种枷锁，我们可以将一个标注拆成多个 DOM 元素。

只要标注的全部或部分内容在当前行，就可以在本行标注文本下展示标注组件，彻底解决跨行文本被拆分的这个问题。

function injectMarksIntoLines(str, width) {    // ...            if(isMarkInLine(mark, line) {                mark.stIndex = Math.max(line.stIndex, mark.stIndex);                mark.endIndex = Math.min(line.endIndex, mark.endIndex);
                line.marks = line.marks ? line.marks.concat(mark) : [mark]            }    // ...}

优化

渲染时间过长

当标注文本较多时，首屏渲染时会出现较长的白屏时间。且文本字数、标注数量越多，白屏时间越长。

我们以一段500字左右的文本为例，获取其性能数据：

结合performance和代码进行分析，我们发现耗能主要在以下两方面：

分行算法会频繁获取 offsetWidth ：每调用一次，都会导致页面重排，严重耗时；
计算标注纵向偏移量时，会先遍历全部标注，过滤出在当前行的标注，然后进行遍历，得到重叠高度信息，遍历次数过高；

我们来逐一优化。

分行算法优化

按照上文描述，初版的分行算法时间复杂度为 O(n) ，n 为文本字数。我们着重考虑通过减少调用次数来实现性能优化。通过实际观察实际应用场景，我们得出以下结论：

每行文本的字数相差不多，因为中文字的宽度相同，导致字数差异的是数字、字母等；
中文业务场景中数字和字母远没有中文字数多；
即使在最小的屏幕上展示，每行最少也有30个字符；

基于这些信息，我们做出如下优化：

处理第一行时，我们不再逐字测宽，而是直接截取前30个字符测宽，多退少补直至宽度正确；
记录第一行的字数，作为下一行期望的字数 except，多退少补直至正确；
记录新的一行的字数 n，修正except = ( except + n ) / 2 。重复此步骤，直至文本分行结束

结果对比：

优化前

优化后

渲染 500 字

233.29 ms

79.5 ms

渲染 2 万字

11232ms

91ms

可见优化效果显著。

获取标注位置算法优化

在展示标注结果时，初版获取标注纵向偏移的算法为：检查所有标注数据后，过滤出本行标注进行展示，复杂度为 O(l * n * n)，其中 l 为行数，n 为标注数。

此方式引入了很多不必要的计算。其实，要获取每个标注的垂直偏移量，只需要对比当前行的标注即可。

针对这个问题，优化思路如下：

将标注按起始位置升序排列。假设第一行有30个字，那么我们就从升序数组中拿出起始位置小于30的，这就是本行要添加的标注。
判断这些标注是否重叠。假设用户添加了两个标注：

如果二者不重叠，那二者应该展示在一行；
如果二者重叠，那么就要将后处理的标注放在前者的下一行；

遍历数组，把在本行结束的标注剔除。保证每行展示的标注，要么是上一行没有结束的，要么是在本行开始的。

伪代码如下：

function getMarkPosition(lines, marks) {    // 起始位置升序    const stIndexArr  = marks.sort((a, b) => a.stIndex  - b.stIndex);    const st = 0;
    // 本行需要添加的标注    let current = [];
    for (let line of lines) {        // 获取当前行的标注        while(stIndexArr[st].stIndex <= line.endIndex) {            current.push(stIndexArr[st]);            st++;        }
        // 获取标注        mark.offsetX = getTextLength(line.text.slice(0, mark.stIndex - line.stIndex))        // 添加标注行        addMarkLines(line, current);
        // 剔除本行结束的标注        current = current.filter(oldMark => oldMark.endIndex > line.endIndex);    }}
// 添加标注行function addMarkLines (line, marks) {    const markLines = [[]];    let inserted = false;
    // 遍历所有标注        marks.forEach(mark => {        // 遍历所有行        for(let i = 0; i < markLines.length; i++) {            // 如果本行没有和新标注重叠的，则放入本行            if(!markLines[i].find(oldMark => isOverlap(oldMark, mark))) {                mark.offsetY = i;                markLines.push(mark);                inserted = true;                break;            }        }
        // 如果所有行都重叠，则单开一行                if(!inserted) {            mark.offsetY = markLines.length;            markLines.push([mark]);        }    })
    line.markLines = markLines;}

总结

实体关系标注工具在来也科技内部已经上线半年。至今日，公司内部全部的 NLP 标注需求已全部接入。标注文档超过 3 万篇，标注效率提升 35%，标注准确率提升至 96.8% 。

此项目已申请专利，且有计划开源。欢迎感兴趣的同学在后台与我们交流~

本文作者：贾思齐

本文编辑：刘桐烔

继续滑动看下一个