dmytro_ushatenko/pages/students/2016/jakub_maruniak/dp2021/annotation/README.md

Diplomový projekt 2 2020

• vytvorenie a spustenie docker kontajneru

./build-docker.sh
winpty docker run --name prodigy -it -p 8080:8080 -v C://Users/jakub/Desktop/annotation-master/annotation/work prodigy bash

Spustenie anotačnej schémy

• dataminer.csv články stiahnuté z wiki
• cd ner
• ./01_text_to_sent.sh spustenie skriptu text_to_sent.py, ktorý rozdelí články na jednotlivé vety
• ./02_ner_manual.sh spustenie manuálneho anotačného procesu pre NER
• ./03_export.sh exportovanie anotovaných dát vo formáte json potrebnom pre spracovanie vo spacy. Možnosť rozdelenia na trénovacie (70%) a testovacie dáta (30%) (--eval-split 0.3). Pozn. aby --eval-split fungoval správne, je potrebné v inštalácii prodigy (cestu zistíme pomocou prodigy stats) v súbore recipes/train.py upraviť funkciu data_to_spacy (mal by byť riadok 327). V novej verzii by to malo byť opravené. Do riadku treba pridať parameter eval_split. json_data, eval_data, split = train_eval_split(json_data, eval_split)

Anotované databázy

• ./ner/skner/sknerv4.jsonl - Aktuálna anotovaná databáza z https://skner.tukekemt.xyz/ (Celkovo cca 5000 článkov)
• ./ner/wikiart/wikiart2.jsonl - Vlastná databáza, články rozdelené na vety (Celkovo cca 1300 viet)
• Presná štatistika o databázach bude doplnená

Štatistika o anotovaných dátach

• prodigy stats wikiart - informácie o počte prijatých a odmietnutých článkov pre konkrétny dataset v prodigy

Vizualizácia anotovaných dát

• streamlit run visualizer.py visualize ./dataset.jsonl - Vypíše anotácie zo zvolenej databázy na lokálnej adrese http://192.168.1.26:8501

Trénovanie modelu

Založené na: https://git.kemt.fei.tuke.sk/dano/spacy-skmodel

• Na trénovanie NER využitá vstavaná funkcia spacy train
• Testované aj s custom skriptom na trénovanie - custom_train.py - približne rovnaké výsledky, neporovnateľne dlhší čas trénovania

Scripts

python scripts.py [command] [arguments]

Príkaz	Popis	Argumenty
count	Vypíše štatistiky o databáze vo formáte JSONL z Prodigy.	dataset_path
delete_annot	Vytvorí samostatnú databázu s anotáciami iba od zvoleného anotátora.	annotator, dataset_path, new_dataset_path
modelinfo	Vypíše informácie o natrénovanom modeli (Precision, Recall a F-skóre), zároveň aj o jednotlivých entitách.	-