DoTAT自动标注教程词典匹配正则匹配如何让你的标注效率提升数倍【免费下载链接】MarkToolDoTAT 是一款基于web、面向领域的通用文本标注工具支持大规模实体标注、关系标注、事件标注、文本分类、基于字典匹配和正则匹配的自动标注以及用于实现归一化的标准名标注同时也支持迭代标注、嵌套实体标注和嵌套事件标注。标注规范可自定义且同类型任务中可“一次创建多次复用”。通过分级实体集合扩大了实体类型的规模并设计了全新高效的标注方式提升了用户体验和标注效率。此外本工具增加了审核环节可对多人的标注结果进行一致性检验、自动合并和手动调整提高了标注结果的准确率。项目地址: https://gitcode.com/gh_mirrors/ma/MarkToolDoTAT 是一款基于 Web 的面向领域文本标注工具除了手动划词标注它还内置了自动标注能力——支持词典匹配和正则匹配两种批量打标方式。面对成千上万篇文档时人工逐词划选耗时耗力而借助词典与正则机器可以先把已知模式的实体一次性高亮出来标注员只需核对和微调即可标注效率可提升数倍。本教程将带你从零上手 DoTAT 的两大自动标注功能先准备好词典与正则文件再在标注界面一键批量应用最后核对并提交结果。一、为什么需要自动标注在大规模语料标注中很多内容具有明显的固定模式人名、地名、机构名、药名、股票代码……往往已经在业务字典里日期、电话、金额、ID 编号……往往符合固定的书写格式可用正则描述。如果每次都手动划词标注员要重复做大量体力活。DoTAT 的思路是用词典命中已知词条用正则命中已知格式自动把匹配结果高亮并写入标注结果重复标注还会被自动去重让人工精力集中在真正需要判断的内容上。二、准备工作创建任务时上传字典与正则文件进入项目后管理员在创建任务时可以顺便上传自动标注所需的文件均为可选项按需上传上传字典文件用于词典匹配的实体词典支持拖拽上传上传正则文件用于正则匹配的表达式文件。该步骤对应界面代码位于 newTask.vue表单中明确标注了上传字典文件(可选)与上传正则文件(可选)两项页面还给出了字典文件的格式示例照着填写即可。 小建议字典尽量按实体类型分组整理如人名字典地名字典命名清晰后续选择时更不容易出错。三、词典匹配三句话讲清操作步骤打开某篇文档的标注界面后你会看到上方一排标签页其中就包括「字典匹配」标签界面实现见 labeling.vue。操作步骤非常简单选择实体字典在选择字典下拉框中挑选要使用的字典显示为分组名-字典名可选管理字典点击「字典管理」按钮可为某个实体模板新增或删除字典也可以为匹配结果指定标准名称用于归一化应用此字典点击「应用此字典」系统立即在全文中检索词典词条将命中的内容以实体色块高亮显示每个高亮块右上角带一个小叉可单独撤销不需要的命中。如果某些词条与已有标注位置重叠系统会弹出确认框列出重复标注的内容及其位置确认后自动去重不会提交重复标注避免脏数据进入结果。⏱️ 效果一篇含几十个已知人名的新闻稿用词典匹配后基本只需 1 秒完成第一轮实体高亮。四、正则匹配用一行表达式批量圈出格式固定实体与词典命中完整词条不同正则匹配适合命中格式固定但取值不固定的内容例如日期20\d{2}年\d{1,2}月\d{1,2}日、电话、编号等。4.1 配置正则表达式点击「管理正则表达式」按钮进入管理弹窗代码见 labeling.vue完成两步配置输入正则表达式在输入框中填写要使用的正则选择对应实体为该正则的每个匹配部分指定它应标注成哪种实体类型——这是关键一步决定命中内容被打上什么标签。4.2 一键应用正则匹配回到「正则匹配」标签页在选择正则表达式下拉框中挑选刚配置好的表达式点击「应用此正则匹配」全文命中内容即刻以实体色块高亮同样支持点击小叉逐个撤销若与已有标注重叠系统同样会弹出重复内容确认框确认后才提交。五、核对与提交自动标注的正确打开方式自动标注的定位是先跑一轮人来把关✅ 命中即高亮不需要的命中标签可直接点叉撤销✅ 重复位置自动去重确认后统一提交标注成功会提示标注成功并跳转回实体统计视图✅ 自动命中的实体会进入「实体统计」方便你快速检查数量是否合理。建议的工作流自动标注打底 → 人工补充漏召 → 逐条纠错 → 提交。如此循环既能保证覆盖率又能保证准确率。六、常见问题与效率技巧Q1匹配没有生效界面出现报错或 404请先确认创建任务时是否真的上传了字典/正则文件以及后端服务是否正常。若前端请求后端接口失败通常会返回 404 之类的错误页可联系管理员检查后端接口地址配置。Q2词典匹配和正则匹配能叠加使用吗可以。二者是相互独立的标签页先应用词典再应用正则或反之系统会自动处理重叠部分不会重复计入。Q3如何提高自动标注的命中率定期把新出现的实体词条补充进词典「字典管理」即可新增为高频格式单独维护正则并为它绑定正确的实体类型结合 DoTAT 的迭代标注能力下一轮标注可直接复用上一轮结果效率进一步提升。Q4相关功能在源码中的位置自动标注的界面交互集中在 labeling.vue字典与正则的上传、获取、匹配、删除等接口定义在 project.jsuploaddic、dicmatch、uploadregular、regularmatch等函数如需二次开发可从这里入手。七、写在最后DoTAT 把词典匹配 正则匹配做进了标注主流程配置一次多次复用配合其可自定义的标注规范、迭代标注与多人审核机制能显著降低大规模文本标注的重复劳动。掌握本教程的三个动作——上传文件、选择应用、核对提交你就能在下一个标注任务中把效率真正提起来。✨【免费下载链接】MarkToolDoTAT 是一款基于web、面向领域的通用文本标注工具支持大规模实体标注、关系标注、事件标注、文本分类、基于字典匹配和正则匹配的自动标注以及用于实现归一化的标准名标注同时也支持迭代标注、嵌套实体标注和嵌套事件标注。标注规范可自定义且同类型任务中可“一次创建多次复用”。通过分级实体集合扩大了实体类型的规模并设计了全新高效的标注方式提升了用户体验和标注效率。此外本工具增加了审核环节可对多人的标注结果进行一致性检验、自动合并和手动调整提高了标注结果的准确率。项目地址: https://gitcode.com/gh_mirrors/ma/MarkTool创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考