如何自动化标注海量数据

简介

斯坦福大学通过编程来标注海量的数据，创建了snorkel系统。我们可以使用例如假设、类比、规则、知识库等方法来编写标注数据的程序。不过，以这样弱监督得到的数据并不准确，比如可能存在多个彼此冲突或重叠的标注信号。

弱监督

1. 领域启发式搜索: 常见模式、经验法则 ;

2. 远程监督:利用已有的标注数据;

3. 众包标注:非专家人标注;

标注函数

常见标注函数

1. 硬编码的推导：通常使用正则表达式

2. 语义结构：例如，使用spacy得到的依存关系结构

3. 远程监督：例如使用外部的知识库

4. 有噪声人工标注：例如众包标注

5. 外部模型：其他可以给出有用标注信号的模型

将领域专家给出的各种各样监督信号编写成标注函数，标注函数中编码了领域相关的推理规则，可以使用正则表达式。经验规则等常见的模式进行标注。不过，这样生成的数据包含噪声，并且可能彼此冲突。

当编写好标注函数后，Snorkel将利用这些不同的标注函数之间的冲突 训练一个标注模型（Label Model）来估算不同标注函数的标注准确度。通过观察标注函数 之间的彼此一致性，标注模型能够学习到每个监督源的准确度。例如，如果一个标注函数的标注结果总是得到其他标注函数的认可，那这个标注函数将有一个高准确率，而如果一个标注函数总是与其他标注函数的结果不一致，那么这个标注函数将得到一个较低的准确率。通过整合所有的标注函数的投票结果（以其估算准确度作为权重），我们 就可以为每个数据样本分配一个包含噪声的标注（0~1之间），而不是一个 硬标注（要么0，要么1）。

接下来，当标注一个新的数据点时，每一个标注函数都会对分类进行投票：正、负或弃权。基于这些投票以及标注函数的估算精度，标注模型能够程序化到为上百万的数据点给出 概率性标注。最终的目标是训练出一个可以超越标注函数的泛化能力的分类器。

优点

1. 可以大规模标注，每个标注函数都可以用于成百上千个数据样本的标注。

2. 可以利用海量的未标注数据，来构建大量虽然不完美但是足够好的大型训练数据集

3. 这些标注可以用于训练一个具有大特征集的强大的判别分类器。即使我们只使用 100个标注函数，每个数据样本依然可以有上千个特征。

总结

整体看来，有点类似于机器学习中的弱监督器堆叠产生强监督器的思想。在这里的弱监督器指的是单一特征标注函数，强监督器指的是经过这些标注函数训练得到的分类器。

---

公众号粉丝礼包：后台关键词：

python大礼包

整理不易，还请点击在看与分享，谢谢。

我就知道你“在看”