NLP資料標註

業界nlp任務中，給業務方提供的nlp原始資料打標籤本身就是任務最耗時間，最麻煩的一部分。

最常用的辦法還是用正則打標籤冷啟動加主動學習的辦法訓練模型。首先用正則打標籤的訓練集訓練初始模型，之後手工挑選模型標的不對的樣本，人工打標籤，扔回去再訓練迭代，依次反覆。規則和標籤一般需要業務來定義，做好對資料的標籤管理，後續才能做更深層系的分析工作。真正遇到大型，場景固定，且不涉及商業機密的nlp任務，比如某些客服對話系統，才會用到外包團隊，人工打標籤，製作訓練集。

正則和詞典之類的方法，只要規則問題不大，大部分情況下都有很高的準確率，但召回不足，需要模型來補召回。模型是具有泛化能力的，乙個正樣本過正則沒識別，過模型可能就有了，召回率就會提公升。專案剛啟動的時候，因為沒有資料，需要用正則產生一批資料讓模型訓練，這樣模型就具有了正則的能力，還會具備部分泛化的能力。後續不斷地新增資料，對**資料進行標註迭代模型，使得模型的泛化效果就會不斷提公升。