Dela via

Accepterade anpassade NER-dataformat

Om du försöker importera dina data till anpassad NER måste de följa ett visst format. Om du inte har data att importera kan du skapa projektet och använda Azure AI Foundry för att märka dina dokument.

Filformat för etiketter

Filen Etiketter ska vara i json format för att importera etiketterna till ett projekt.

{
  "projectFileVersion": "2022-05-01",
  "stringIndexType": "Utf16CodeUnit",
  "metadata": {
    "projectKind": "CustomEntityRecognition",
    "storageInputContainerName": "{CONTAINER-NAME}",
    "projectName": "{PROJECT-NAME}",
    "multilingual": false,
    "description": "Project-description",
    "language": "en-us",
    "settings": {}
  },
  "assets": {
    "projectKind": "CustomEntityRecognition",
    "entities": [
      {
        "category": "Entity1"
      },
      {
        "category": "Entity2"
      }
    ],
    "documents": [
      {
        "location": "{DOCUMENT-NAME}",
        "language": "{LANGUAGE-CODE}",
        "dataset": "{DATASET}",
        "entities": [
          {
            "regionOffset": 0,
            "regionLength": 500,
            "labels": [
              {
                "category": "Entity1",
                "offset": 25,
                "length": 10
              },
              {
                "category": "Entity2",
                "offset": 120,
                "length": 8
              }
            ]
          }
        ]
      },
      {
        "location": "{DOCUMENT-NAME}",
        "language": "{LANGUAGE-CODE}",
        "dataset": "{DATASET}",
        "entities": [
          {
            "regionOffset": 0,
            "regionLength": 100,
            "labels": [
              {
                "category": "Entity2",
                "offset": 20,
                "length": 5
              }
            ]
          }
        ]
      }
    ]
  }
}
Nyckel Platshållare Värde Exempel
multilingual true Ett booleskt värde som gör att du kan ha dokument på flera språk i datauppsättningen och när din modell distribueras kan du fråga modellen på alla språk som stöds (inte nödvändigtvis i dina träningsdokument). Mer information om flerspråkig support finns i språkstöd . true
projectName {PROJECT-NAME} Projektnamn myproject
storageInputContainerName {CONTAINER-NAME} Containerns namn mycontainer
entities Matris som innehåller alla entitetstyper som du har i projektet. Entitetstyper som extraherats från dina dokument.
documents Matris som innehåller alla dokument i projektet och en lista över de entiteter som är märkta i varje dokument. []
location {DOCUMENT-NAME} Platsen för dokumenten i lagringscontainern. Eftersom alla dokument finns i containerns rot bör den här platsen vara dokumentnamnet. doc1.txt
dataset {DATASET} Testuppsättningen som denna fil går till när den delas upp innan träning. Läs mer om datadelning här . Möjliga värden för det här fältet är Train och Test. Train
regionOffset Den inkluderande teckenpositionen i början av texten. 0
regionLength Längden på begränsningsrutan uttryckt i UTF16-tecken. Utbildningen tar endast hänsyn till data i den här regionen. 500
category Den typ av entitet som är associerad med det angivna textintervallet. Entity1
offset Startpositionen för entitetstexten. 25
length Längden på entiteten när det gäller UTF16-tecken. 20
language {LANGUAGE-CODE} En sträng som anger språkkoden för dokumentet som används i projektet. Om projektet är ett flerspråkigt projekt väljer du språkkoden för de flesta dokumenten. Mer information finns iSpråkstöd. en-us

Nästa steg