Questa documentazione è per IBM Watson® Knowledge Studio su IBM Cloud®. Per visualizzare la documentazione della versione precedente di Knowledge Studio nel IBM Marketplace, fai clic su questo link.

Inizio dell'annotazione

Semplifica il lavoro dell'annotatore umano pre-annotando i documenti in uno spazio di lavoro. Un pre-annotatore è un dizionario Knowledge Studio, un modello basato sulla regola o un modello di machine learning che esegui per trovare e annotare le citazioni automaticamente.

La pre-annotazione rende il lavoro degli annotatori umani più semplice perché copre le annotazioni più semplici e inizia il lavoro di annotazione dei documenti.

Il metodo che utilizzi per pre-annotare i documenti non limita in alcun modo i modi in cui puoi utilizzare il modello risultante. Ad esempio, solo perché utilizzi il servizio Natural Language Understanding per pre-annotare i documenti non significa che devi distribuire il modello di machine learning finale che crei per il servizio Natural Language Understanding.

Metodi di pre-annotazione

Sono disponibili i seguenti pre-annotatori:

  • Natural Language Understanding

    Un pre-annotatore che puoi utilizzare per trovare le citazioni di entità nei tuoi documenti automaticamente. Se i tuoi documenti di origine hanno una conoscenza sulla materia generale, questo pre-annotatore è una buona scelta. Se stai lavorando con documenti altamente specializzati che si concentrano su un campo specifico, come la ricerca di brevetti, ad esempio, il dizionario pre-annotatore o il modello basato sulla regola potrebbe essere una scelta migliore.

  • Dizionario

    Utilizza un dizionario dei termini che fornisci e associ a un tipo di entità per trovare le citazioni di tale tipo di entità nei documenti. Questa scelta è la migliore per i campi con terminologia specializzata o unica perché questo pre-annotatore non analizza il contesto in cui viene utilizzato il termine nel modo fatto dal pre-annotatore di machine learning; invece si basa sul termine che viene distinto sufficientemente da avere un significato decifrabile indipendentemente dal contesto in cui viene utilizzato. Ad esempio, è facile riconoscere asbestos come un tipo di entità di un minerale, rispetto a determinare il tipo di entità di squash, che fa riferimento a uno sport o a un verbo con il significato di schiacciare qualcosa.

    I pre-annotatori del dizionario non riconoscono i sottotipi di entità. Gli annotatori umani possono specificare i sottotipi di entità per ogni citazione pre-annotata tramite un'attività di annotazione con il documento pre-annotato.

  • Machine learning

    Utilizza un modello di machine learning per annotare automaticamente i documenti. Questa opzione è disponibile solo se hai già creato un modello di machine learning con Knowledge Studio. Se aggiungi una serie di documenti, puoi eseguire l'annotatore di machine learning che hai creato precedentemente per pre-annotare i nuovi documenti. Se la nuova serie di documenti è simile ai documenti che sono stati utilizzati per preparare l'annotatore di machine learning originariamente, questa è probabilmente la tua migliore scelta per la pre-annotazione.

  • Regola

    Utilizza un modello basato sulla regola per annotare automaticamente i documenti. Questa opzione è disponibile solo se hai già creato un modello basato sulla regola con Knowledge Studio. Se i tuoi documenti contengono modelli comuni di token da cui derivare il significato, questo modello potrebbe essere una buona scelta. Può incorporare alcune funzioni del pre-annotatore del dizionario se lo abiliti, identificando inoltre i tipi di classe dei termini del dizionario che trova nei documenti.

In alternativa, puoi caricare documenti già annotati e utilizzarli per iniziare la preparazione del modello di machine learning. Non puoi eseguire un pre-annotatore sui documenti annottati che carichi o le annotazioni esistenti saranno eliminate dai documenti e sostituite soltanto con le annotazioni prodotte dal pre-annotatore.

Esecuzione di più pre-annotatori

Knowledge Studio ti consente di eseguire più pre-annotatori simultaneamente. Devi innanzitutto preparare i metodi di pre-annotazione che vuoi utilizzare. Per ulteriori informazioni, vedi le seguenti sezioni:

Configurazione dell'ordine dei pre-annotatori

Quando vengono utilizzati più pre-annotatori, la prima annotazione fata a una parte di testo viene salvata per i risultati, anche se altri pre-annotatori provano ad annotare la stessa parte di testo successivamente nell'ordine. Ciò non si applica alle annotazioni umane che sono conservate indipendentemente dall'ordine di pre-annotazione.

Ad esempio, considera il seguente testo di esempio IBM Watson. Se un dizionario che è primo nell'ordine etichetta IBM come un tipo di entità Organization, un modello di machine learning che è secondo nell'ordine non può annotare IBM Watson come un tipo di entità Software Brand perché ciò sovrascriverebbe l'annotazione precedente fatta a IBM.

Puoi visualizzare l'ordine corrente dei pre-annotatori nella colonna Order nella pagina Machine Learning Model > Pre-annotation. Per modificare l'ordine, completa la seguente procedura.

  1. Fai clic su Order Settings.
  2. Fai clic sui pulsanti freccia** Move up e Move down per spostare i metodi di pre-annotazione prima o dopo nell'ordine.
  3. Fare clic su Salva.
  4. Controlla attentamente la colonna Order nella pagina Pre-annotation per assicurarti che corrisponda all'ordine che desideri.

Esegui i pre-annotatori

  1. Dopo che i metodi di pre-annotazione sono stati preparati e hai configurato l'ordine dei tuoi pre-annotatori, fai clic su Run Pre-annotators.
  2. Seleziona i pre-annotatori che vuoi utilizzare e fai quindi clic su Next.
  3. Se vuoi cancellare le annotazioni esistenti eseguite dai pre-annotatori prima di eseguire il pre-annotatore, seleziona Wipe previous pre-annotation results. Le annotazioni umane vengono conservate anche se viene operata questa selezione.
  4. Seleziona le serie di documenti che vuoi pre-annotare.
  5. Fai clic su Run.

Pre-annotazione dei documenti con Natural Language Understanding

Puoi utilizzare il servizio Natural Language Understanding per pre-annotare i documenti che aggiungi al tuo corpus.

Prima di iniziare

Determina se il pre-annotatore Natural Language Understanding è presumibile che aggiunga valore al tuo caso di utilizzo. Riesamina l'elenco di tipi e sottotipi di entità di servizio Natural Language Understanding per determinare se c'è una sovrapposizione naturale tra loro e i tipi nel tuo sistema tipo. Se è così, continua con questa procedura. Se non lo è, scegli un pre-annotatore diverso da utilizzare.

Informazioni su quest'attività

Natural Language Understanding è un servizio che offre l'analisi del testo tramite l'elaborazione del linguaggio naturale. Quando utilizzi il pre-annotatore Natural Language Understanding, richiama il servizio Natural Language Understanding per trovare e annotare automaticamente le entità nei tuoi documenti.

Devi specificare i tipi di entità che desideri il servizio ricerchi associando i tipi di entità Natural Language Understanding ai corrispondenti tipi di entità Knowledge Studio che hai aggiunto al sistema tipo Knowledge Studio. Solo le citazioni dei tipi di entità che associ saranno trovate e annotate.

Procedura

Per utilizzare il servizio Natural Language Understanding per pre-annotare i documenti, completa la seguente procedura:

  1. Accedi come amministratore Knowledge Studio e seleziona il tuo spazio di lavoro.

  2. Vai alla pagina Machine Learning Model > Pre-annotation.

  3. Fai clic sul pulsante del menu di overflow nella riga Natural Language Understanding e fai quindi clic su Map entity types.

    • L'elenco a discesa dei tipi di entità Natural Language Understanding è pre-popolato con i tipi di entità che sono stati riconosciuti dal servizio Natural Language Understanding.
    • Devi associare almeno un tipo di entità.
    • Non puoi associare un tipo di entità Natural Language Understanding a un ruolo entità Knowledge Studio, solo ai tipi di entità Knowledge Studio.
    • Puoi associare più di un tipo di entità Natural Language Understanding a un solo tipo di entità Knowledge Studio o il contrario. Ad esempio, le seguenti associazioni sono consentite:

    Tabella 1. Esempio di mappatura dei tipi di entità | Watson Knowledge Studio Tipo di entità | Natural Language Understanding Tipo di entità | | --- | --- | | INGEGNERE

    SCIENZIATO | Persona | lOCATION | CityTown |

    Country |

  4. Dopo aver associato tutti i tipi di entità che vuoi applicare, vai alla pagina Machine Learning Model > Pre-annotation. Fai clic su Run Pre-annotators.

  5. Seleziona Natural Language Understanding e fai quindi clic su Next.

    L'annotatore Natural Language Understanding non è disponibile finché non associ almeno un tipo di entità.

  6. dopo aver eseguito il pre-annotatore, selezionare Cancella risultati pre-annotatori precedenti. Le annotazioni umane vengono conservate anche se viene operata questa selezione.

  7. Seleziona la casella di spunta di ogni serie di documenti che vuoi pre-annotare.

    Se stai eseguendo questo pre-annotatore per la prima volta, controlla prima che il pre-annotatore possa trovare le citazioni delle entità associate come previsto. Crea una serie di documenti che contiene uno o più documenti rappresentativi da ogni origine dati distinta.

  8. Fai clic su Run.

    Se stai eseguendo un controllo di convalida del pre-annotatore, apri i documenti annotati e controlla le annotazioni che sono state aggiunte. Assicurati che sia stato creato un numero sufficiente di annotazioni accurate. Se le annotazioni sono accurate, puoi eseguire nuovamente l'annotatore su serie di documenti più grandi. Se le annotazioni non sono accurate, considera l'associazione di tipi di entità Natural Language Understanding differenti rispetto ai tuoi tipi. Se i tipi non si sovrappongono naturalmente, il pre-annotatore Natural Language Understanding non è quello migliore per il tuo utilizzo.

    La pre-annotazione viene applicata ai singoli documenti senza tenere conto delle varie serie di documenti a cui potrebbe appartenere un documento. Un documento che si sovrappone tra una serie di documenti selezionata e una non selezionata sarà pre-annotato in entrambe.

Risultati

Il ground truth che viene prodotto dai documenti che sono stati pre-annotati dal servizio Natural Language Understanding non può essere utilizzato direttamente al di fuori di Knowledge Studio. Puoi scaricare il ground truth (in un formato non leggibile) per spostarlo da uno spazio di lavoro Knowledge Studio a un altro. E puoi continuare a sviluppare il ground truth e utilizzarlo per creare un modello di machine learning o basato sulla regola che può essere distribuito per l'utilizzo nei servizi al di fuori di Knowledge Studio.

I documenti che sono stati pre-annotati con Natural Language Understanding sono oscurati in un formato non leggibile quando vengono scaricati. Ma sono state oscurate tutte le annotazioni in questi documenti, incluse quelle che sono state aggiunte dagli annotatori umani.

Informazioni correlate:

Natural Language Understanding

Pre-annotazione dei documenti con un dizionario

Per aiutare gli annotatori umani ad iniziare le loro attività di annotazione, puoi creare un dizionario e utilizzarlo per pre-annotare i documenti che aggiungi al corpus.

Informazioni su quest'attività

Quando un annotatore umano inizia a lavorare sui documenti che sono stati pre-annotati, è probabile che molte citazioni siano state già contrassegnate dai tipi di entità in base alle voci del dizionario. L'annotatore umano può modificare o rimuovere i tipi di entità pre-annotati e assegnarne alle citazioni non annotate. La pre-annotazione di un dizionario non annota le relazioni e le coreferenze. Le relazioni e le coreferenze devono essere annotate dagli annotatori umani.

Questa attività ti mostra come creare un dizionario modificabile. Se vuoi caricare e pre-annotare i tuoi documenti con un dizionario di sola lettura, fai clic sull'icona Menu accanto al pulsante Create Dictionary e seleziona quindi Upload Dictionary.

Procedura

Per creare un dizionario modificabile e pre-annotare i documenti, attieniti alla seguente procedura:

  1. Accedi come amministratore Knowledge Studio e seleziona il tuo spazio di lavoro.

  2. Seleziona la pagina Assets > Dictionaries.

  3. Fai clic su Create Dictionary, immetti un nome e poi fai clic su Save.

  4. Dall'elenco Entity type, seleziona un tipo di entità da associare al dizionario.

    Puoi anche associare un tipo di entità con il dizionario dalla pagina Machine Learning Model > Pre-annotation. Fai clic sul pulsante del menu di overflow nella riga Dictionaries della pagina e fai quindi clic su Map entity types.

  5. Aggiungi le voci al dizionario o carica un file che contiene i termini del dizionario.

  6. Vai alla pagina Machine Learning Model > Pre-annotation.

  7. Fai clic su Run Pre-annotators.

  8. Seleziona Dictionaries e fai quindi clic su Next.

  9. Se vuoi cancellare le annotazioni esistenti eseguite dai pre-annotatori prima di eseguire il pre-annotatore, seleziona Wipe previous pre-annotation results. Le annotazioni umane vengono conservate anche se viene operata questa selezione.

  10. Seleziona la casella di spunta di ogni serie di documenti che vuoi pre-annotare e fai clic su Run.

    La pre-annotazione viene applicata ai singoli documenti senza tenere conto delle varie serie di documenti o annotazioni a cui potrebbe appartenere un documento. Un documento che si sovrappone tra una serie di documenti selezionata e una non selezionata sarà pre-annotato in entrambe.

Informazioni correlate:

Pre-annotazione dei documenti con il modello di machine learning

Puoi utilizzare un modello di machine learning esistente per pre-annotare i documenti che aggiungi al tuo corpus.

Informazioni su quest'attività

Dopo aver annotato tra i 10 e i 30 documenti, un modello di machine learning può essere preparato con i dati. Non utilizzare un modello così minimamente preparato in produzione. Tuttavia, puoi utilizzare il modello per pre-annotare i documenti per contribuire ad accelerare l'annotazione umana dei documenti successivi. Ad esempio, se aggiungi i documenti al corpus dopo aver preparato un modello di machine learning, puoi utilizzarlo per pre-annotare le nuove serie di documenti. Non eseguire mai un pre-annotatore sugli stessi documenti che sono stati annotati da una persona. I pre-annotatori rimuovono l'annotazione umana.

Procedura

Per utilizzare un modello di machine learning esistente per pre-annotare i documenti:

  1. Accedi come amministratore Knowledge Studio e seleziona il tuo spazio di lavoro.

  2. Vai alla pagina Machine Learning Model > Pre-annotation.

  3. Fai clic su Run Pre-annotators.

  4. Seleziona Machine Learning Model e fai quindi clic su Next.

  5. Se vuoi cancellare le annotazioni esistenti eseguite dai pre-annotatori prima di eseguire il pre-annotatore, seleziona Wipe previous pre-annotation results. Le annotazioni umane vengono conservate anche se viene operata questa selezione.

  6. Seleziona la casella di spunta di ogni serie di documenti che vuoi pre-annotare e fai clic su Run.

    La pre-annotazione viene applicata ai singoli documenti senza tenere conto delle varie serie di documenti o annotazioni a cui potrebbe appartenere un documento. Un documento che si sovrappone tra una serie di documenti selezionata e una non selezionata sarà pre-annotato in entrambe.

Pre-annotazione dei documenti con il modello basato sulla regola

L'editor delle regole terminerà il 30 giugno 2025. Per maggiori dettagli, consultare le note di rilascio.

Puoi utilizzare un modello basato sulla regola esistente per pre-annotare i documenti che aggiungi al tuo corpus.

Procedura

Per utilizzare il modello basato sulla regola per pre-annotare i documenti, completa la seguente procedura:

  1. Accedi come amministratore Knowledge Studio e seleziona il tuo spazio di lavoro.

  2. Vai alla pagina Machine Learning Model > Pre-annotation.

  3. Fai clic sul pulsante del menu overflow nella riga Rule-based Model nella pagina e fai quindi clic su Map entity types and classes per associare i tipi di entità che hai definito nel sistema tipo Knowledge Studio a una o più classi del modello basato sulla regola.

    Puoi anche aprire la pagina di associazione selezionando la scheda Rule-based Model > Versions > Rule-based Model.

  4. Fai clic su Edit per ogni tipo di entità che vuoi associare.

    • L'elenco a discesa della colonna Class Name viene pre-popolato con le classi associate al modello basato sulla regola.
    • Devi associare almeno un tipo di entità a una classe.

  5. Nella pagina Machine Learning Model > Pre-annotation, fai clic su Run Pre-annotators.

    L'opzione Rule-based Model non è disponibile finché non associ almeno un tipo di entità a una classe.

  6. Se vuoi cancellare le annotazioni esistenti eseguite dai pre-annotatori prima di eseguire il pre-annotatore, seleziona Wipe previous pre-annotation results. Le annotazioni umane vengono conservate anche se viene operata questa selezione.

  7. Seleziona le serie di documenti o di annotazioni che vuoi pre-annotare.

  8. Fai clic su Run.

    La pre-annotazione viene applicata ai singoli documenti senza tenere conto delle varie serie di documenti a cui potrebbe appartenere un documento. Un documento che si sovrappone tra una serie di documenti selezionata e una non selezionata sarà pre-annotato in entrambe

Caricamento dei documenti pre-annotati

Puoi avviare la preparazione del tuo modello caricando i documenti che sono stati pre-annotati tramite un motore di analisi UIMA (Unstructured Information Management Architecture).

I documenti pre-annotati devono essere nel formato di serializzazione XMI di UIMA Common Analysis Structure (UIMA CAS XMI). Il file .zip che carichi deve includere il file descrittore UIMA TypeSystem e un file che associa i tipi UIMA ai tipi di entità nel tuo sistema tipo Knowledge Studio.

UIMA CAS XMI è un formato standard di Apache UIMA. Vengono fornite le linee guida su come creare i file nel formato corretto dalle raccolte analizzate in IBM Watson Explorer. Se utilizzi un'altra implementazione Apache UIMA, adatta queste linee guida ai tuoi scopi. Indipendentemente da come crei i file XMI, i requisiti per la creazione del file di associazione del sistema tipo e del file .zip sono gli stessi per tutti.

Se assegni i documenti importati agli annotatori umani, i documenti vengono visualizzati come pre-annotati nell'editor ground truth e potrebbero essere stare già annotate alcune citazioni. L'annotatore umano quindi ha più tempo per concentrarsi sull'applicazione delle linee guida di annotazione per le citazioni non contrassegnate. In alternativa, puoi ignorare il passo si annotazione umana e utilizzare i documenti pre-annotati per iniziare immediatamente la preparazione e la valutazione del modello di machine learning.

Esportazione dei documenti analizzati da Watson Explorer Content Analytics

Puoi esportare i documenti che sono stati creati e analizzati in IBM Watson Explorer Content Analytics e caricare i documenti analizzati come file XMI in uno spazio di lavoro Knowledge Studio.

Procedura

Per prendere i documenti analizzati da una raccolta Watson Explorer Content Analytics, attieniti alla seguente procedura:

  1. Apri la console di gestione di Content Analytics in un browser web.

  2. Nella vista Collections, espandi la raccolta da cui vuoi esportare i documenti. Nel pannello Parse and Index, assicurati che il processo di analisi e indicizzazione sia in esecuzione e poi fai clic sull'icona a forma di freccia per Export analyzed document content and metadata.

  3. Nell'area Analyzed document export options, seleziona Export documents as XML files, seleziona la casella di spunta Enable CAS as XMI format export, specifica il percorso di output di dove scrivere i dati esportati e fai clic su OK.

  4. Arresta e riavvia il servizio di analisi e indicizzazione della raccolta e poi esegui uno dei seguenti passi:

    • Se una raccolta già contiene i documenti indicizzati che vuoi utilizzare per la preparazione del modello di machine learning nella cache del documento, riavvia una creazione dell'indice completa.
    • Se una raccolta non contiene i documenti indicizzati che vuoi utilizzare per la preparazione del modello di machine learning, carica i documenti, configura almeno un crawler per creare i documenti e avvialo.

  5. Nell'area Export, controlla lo stato della richiesta di esportazione. L'avanzamento indica quanti documenti sono stati esportati.

  6. Vai alla cartella dell'output che hai specificato quando hai configurato le opzioni di esportazione. Una volta che i documenti sono stati esportati come file XML, il nome della cartella di output si basa sulla data/ora di quando si è verificata l'esportazione. La cartella di output contiene i file XMI (*.xmi) e il file descrittore UIMA TypeSystem (exported_typesystem.xml).

Cosa fare successivamente

Devi definire un'associazione tra i tipi UIMA e i tipi di entità Knowledge Studio. Devi anche creare un file .zip che contiene tutti i file che sono necessari per caricare i dati analizzati in uno spazio di lavoro Knowledge Studio.

Informazioni correlate:

Esportazione di una raccolta analizzata da Content Analytics Studio

Puoi esportare una raccolta di documenti analizzati da Watson Explorer Content Analytics Studio e caricare i documenti analizzati come file XMI in un progetto Knowledge Studio.

Procedura

Per ottenere i documenti analizzati da una raccolta Content Analytics Studio, attieniti alla seguente procedura:

  1. Avvia Content Analytics Studio e apri il progetto Studio.
  2. Fai clic con il tasto destro su una cartella che contiene i documenti che vuoi utilizzare per preparare un modello di machine learning e seleziona Analyze Collection.
  3. Seleziona un file di configurazione della pipeline UIMA.
  4. Passa alla vista Collection Analysis e fai clic sull'icona Save nella vista Collection Analysis. Specifica la cartella in cui devono essere scritti i risultati salvati e specifica il nome del file.
  5. Apri la cartella che hai specificato. L'estensione file del file salvato è .annotations.
  6. Copia il file .annotations nel tuo file system locale e rinomina l'estensione file da .annotations a .zip.
  7. Estrai tutti i file dal file .zip. I contenuti estratti includono i file XMI (*.xmi), il file descrittore UIMA TypeSystem (TypeSystem.xml) e altri file.

Cosa fare successivamente

Devi definire un'associazione tra i tipi UIMA e i tipi di entità Knowledge Studio. Devi anche creare un file .zip che contiene tutti i file che sono necessari per caricare i dati analizzati in uno spazio di lavoro Knowledge Studio.

Associazione dei tipi UIMA ai tipi di entità

Prima di caricare i file XMI in uno spazio di lavoro Knowledge Studio, devi definire l'associazione tra i tipi UIMA e i tipi di entità Knowledge Studio.

Prima di iniziare

Il sistema tipo nel tuo spazio di lavoro Knowledge Studio deve includere i tipi di entità a cui vuoi associare i tipi UIMA.

Procedura

Per associare i tipi UIMA ai tipi di entità Knowledge Studio, attieniti alla seguente procedura:

  1. Crea un file denominato cas2di.tsv nella cartella che contiene il file descrittore UIMA TypeSystem, come ad esempio exported_typesystem.xml o TypeSystem.xml.

  2. Apri il file cas2di.tsv con un editor di testo. Ogni riga nel file specifica una sola associazione. Il formato della associazione dipende da quali annotazioni dell'annotatore vuoi associare:

    • Puoi creare le associazioni utilizzando il formato di base:

      UIMA_Type_Name[TAB]WKS_Entity_Type

      Il seguente esempio definisce le associazioni tra i tipi UIMA prodotte dall'annotatore Named Entity Recognition in Watson Explorer Content Analytics e i tipi di entità definiti in un sistema tipo Knowledge Studio:

      com.ibm.langware.Organization  ORGANIZATION
com.ibm.langware.Person  PERSON
com.ibm.langware.Location  LOCATION

      Un altro esempio definisce un'associazione tra i tipi UIMA prodotti dall'annotatore personalizzato che è stato creato in Watson Explorer Content Analytics Studio e i tipi di entità Knowledge Studio:

      com.ibm.Person  PERSON
com.ibm.Date  DATE

    • Puoi creare le associazioni in base ai facet utilizzati nell'annotatore Pattern Matcher o Dictionary Lookup in Watson Explorer Content Analytics. Nei file della regola di analisi del testo (*.pat), il facet viene rappresentato come un attributo di categoria. Per definire un'associazione, utilizza la seguente sintassi:

      com.ibm.takmi.nlp.annotation_type.ContiguousContext:category={FACET_PATH}[TAB]{WKS_ENTITY_TYPE}

      Il seguente esempio, che si applica agli annotatori Pattern Matcher e Dictionary Lookup, definisce un'associazione tra la categoria $.mykeyword.product e il tipo di entità Knowledge Studio PRODUCT:

      com.ibm.takmi.nlp.annotation_type.ContiguousContext:category=$.mykeyword.product PRODUCT

Cosa fare successivamente

Devi creare un file .zip che contiene tutti i file che sono necessari per caricare i dati analizzati in uno spazio di lavoro Knowledge Studio.

Informazioni correlate:

Caricamento dei file UIMA CAS XMI in uno spazio di lavoro

Per utilizzare i documenti pre-annotati che hai scaricato per preparare un modello, devi creare un file .zip che contiene tutti i file necessari per caricare i file XMI e poi caricare il file .zip in uno spazio di lavoro Knowledge Studio.

Prima di iniziare

Prima di caricare il file .zip, assicurati che il sistema tipo nel tuo spazio di lavoro Knowledge Studio includa i tipi di entità a cui hai associato i tipi UIMA.

I motori di analisi UIMA consentono alle annotazioni di suddividere le frasi. In Knowledge Studio, le annotazioni devono esistere nei limiti di una singola frase. Se i file XMI che carichi includono annotazioni che suddividono le frasi, tali annotazioni non vengono visualizzate nell'editor ground truth.

Procedura

Per caricare i documenti pre-annotati in uno spazio di lavoro Knowledge Studio, attieniti alla seguente procedura:

  1. Crea un file .zip che contiene tutti i file richiesti da Knowledge Studio.

    1. Seleziona la cartella che contiene i file XMI, il descrittore file del sistema tipo UIMA e il file cas2di.tsv o seleziona tutti i file nella cartella.

    2. Crea un file ,zip che include tutti i file. Assicurati che cas2di.tsv e i file descrittori del sistema tipo UIMA siano archiviati nella directory root del file .zip. Questi file non possono essere archiviati in una cartella secondaria nel file .zip o Knowledge Studio non potrà leggerli e non sarà importato nulla.

      In Windows, è possibile fare clic con il pulsante destro del mouse e selezionare Invia a > Cartella compressa (zippata).

  2. Carica il file .zip in uno spazio di lavoro Knowledge Studio.

    1. Accedi come amministratore o gestore del progetto Knowledge Studio, apri lo spazio di lavoro a cui vuoi aggiungere i documenti e apri la pagina Assets> Documents.
    2. Fai clic su Upload Document Sets.
    3. Trascina il file .zip che hai creato o fai clic per individuare e selezionare il file.
    4. Seleziona la casella di spunta per indicare che il file .zip contiene i file UIMA CAS XMI.
    5. Fai clic su Carica.