《移動(dòng)端智能交互訓(xùn)練語(yǔ)料基本要求與規(guī)范》

35.240.99

L70

CEST/CXXX

團(tuán)體標(biāo)準(zhǔn)

T/CESXXX-XXXX

移動(dòng)端智能交互訓(xùn)練語(yǔ)料基本要求與

規(guī)范

Basicrequirementsand

specificationsofmobileterminal

intelligentinteractivetraining

corpus

（征求意見稿）

XXXX-XX-XX發(fā)布XXXX-XX-XX實(shí)施

Ⅱ

T/CESXXXXXXX

-

1范圍

本標(biāo)準(zhǔn)規(guī)定了移動(dòng)端智能交互訓(xùn)練時(shí)自然語(yǔ)言處理樣本(對(duì)話機(jī)器人交互文本意圖識(shí)別

樣本)的基本要求、標(biāo)注要求和標(biāo)注流程。

本標(biāo)準(zhǔn)適用于各單位進(jìn)行移動(dòng)端智能交互訓(xùn)練模型開發(fā)時(shí)樣本標(biāo)注和樣本入庫(kù)的統(tǒng)一

管理，包括樣本的質(zhì)量管控、樣本標(biāo)注的技術(shù)要求和流程管控。

2規(guī)范性引用文件

下列文件對(duì)于本文件的應(yīng)用是必不可少的。凡是注日期的引用文件，僅注日期的版本適

用于本文件。凡是不注日期的引用文件，其最新版本（包括所有的修改單）適用于本文件。

GB/T1.1-2009標(biāo)準(zhǔn)化工作導(dǎo)則第1部分:標(biāo)準(zhǔn)的結(jié)構(gòu)和編寫

GB/T5271.28—2001信息技術(shù)詞匯第28部分;人工智能基本概念與專家系統(tǒng)

ZYF001-2018語(yǔ)料庫(kù)通用技術(shù)規(guī)范

T/CESA1040—2019信息技術(shù)人工智能面向機(jī)器學(xué)習(xí)的數(shù)據(jù)標(biāo)注規(guī)程

Q/GDW1560.1—2014輸電線路圖像/視頻監(jiān)控裝置技術(shù)規(guī)范第1部分：圖像監(jiān)控裝置

Q/GDW1906—2013輸變電一次設(shè)備缺陷分類標(biāo)準(zhǔn)

3術(shù)語(yǔ)和定義

下列術(shù)語(yǔ)和定義適用于本文件。

3.1

人工智能artificialintelligence

一門交叉學(xué)科，通常視為計(jì)算機(jī)科學(xué)的分支，研究表現(xiàn)出與人類智能（如推理和學(xué)習(xí)）

相關(guān)的各種功能的模型和系統(tǒng)。

3.2

自然語(yǔ)言處理naturallanguageprocess

是計(jì)算機(jī)科學(xué)領(lǐng)域與人工智能領(lǐng)域中的一個(gè)重要方向，能實(shí)現(xiàn)人與計(jì)算機(jī)之間用自然語(yǔ)

言進(jìn)行有效通信的各種理論和方法。

1

T/CESXXXXXXX

-

3.3

樣本數(shù)據(jù)sampledata:[Q/GDW12118.1—2021,定義3.5]

其具備的特征能夠反映總體數(shù)據(jù)情況的一部分個(gè)體數(shù)據(jù)。

3.4

標(biāo)注corpusannotation:[Q/GDW1906—2013,定義3.5]

采用人工或計(jì)算機(jī)自動(dòng)方式對(duì)樣本的屬性或特征進(jìn)行描述，可用于實(shí)用的目的，如客戶

服務(wù)或資訊獲取等。

3.5

標(biāo)簽label:[T/CESA1040—2019定義3.2]

標(biāo)識(shí)數(shù)據(jù)的特征、類別和屬性等內(nèi)容，可用于建立數(shù)據(jù)及深度學(xué)習(xí)訓(xùn)練要求所定義的機(jī)

器可讀數(shù)據(jù)編碼間的聯(lián)系。

3.6

智能交互intelligentinteraction

智能交互一般指智能語(yǔ)音交互。智能語(yǔ)音交互是基于語(yǔ)音輸入的新一代交互模式，通

過(guò)說(shuō)話就可以得到反饋結(jié)果。

3.7

語(yǔ)料corpus

即語(yǔ)言材料，是語(yǔ)言學(xué)研究的內(nèi)容，也是構(gòu)成語(yǔ)料庫(kù)的基本單元。

3.8

語(yǔ)料庫(kù)corpora

語(yǔ)料庫(kù)指經(jīng)科學(xué)取樣和加工的大規(guī)模電子文本庫(kù)，其中存放的是在語(yǔ)言的實(shí)際使用中真

實(shí)出現(xiàn)過(guò)的語(yǔ)言材料。

2

T/CESXXXXXXX

-

3.9

意圖intent

用戶表達(dá)的句子希望達(dá)到某種目的打算。

3.10

槽位slot

在用戶表達(dá)意圖的句子中，用來(lái)準(zhǔn)確表達(dá)該意圖的關(guān)鍵信息的標(biāo)識(shí)。

3.11

標(biāo)注工具annotationtool:[T/CESA1040—2019定義3.5]

標(biāo)注人員執(zhí)行標(biāo)注任務(wù)生成標(biāo)注結(jié)果的過(guò)程中使用的工具和軟件。標(biāo)注工具按照自動(dòng)化

程度分手動(dòng)、半自動(dòng)和自動(dòng)三種。

3.12

半自動(dòng)化標(biāo)注semi-automaticannotation

基于少量人工標(biāo)注、機(jī)器預(yù)標(biāo)注來(lái)訓(xùn)練標(biāo)注模型，用于批量標(biāo)注樣本數(shù)據(jù)的半人工智能

標(biāo)注方法。

3.13

特色語(yǔ)種speciallanguage

漢語(yǔ)普通話外的其他語(yǔ)種。

4縮略語(yǔ)

下列縮略語(yǔ)適用于本文件。

BIOES：BIOES標(biāo)注模式(B-begin,I-inside,O-outside,E-end,S-single)屬于序列標(biāo)注模

式之一，其中B-begin表示標(biāo)注元素的開頭，I-inside表示標(biāo)注元素的中間或結(jié)尾，O-outside

表示不屬于待標(biāo)注內(nèi)容，E-end表示標(biāo)注元素的結(jié)尾，S-single表示單個(gè)字符且本身就是一

個(gè)標(biāo)注元素。

BIO：BIO標(biāo)注模式(B-begin,I-inside,O-outside)屬于序列標(biāo)注模式之一，其中B-begin

表示標(biāo)注元素的開頭，I-inside表示標(biāo)注元素的中間或結(jié)尾，O-outside表示不屬于待標(biāo)注內(nèi)

3

T/CESXXXXXXX

-

容。

JSON：JavaScript對(duì)象表示法(JavaScriptObjectNotation)，是一種輕量級(jí)的文本數(shù)據(jù)交

換格式

5總則

本文件共分為樣本基本要求、樣本標(biāo)注要求、樣本標(biāo)注流程三部分，具體內(nèi)容組織框架

見圖1:

圖1組織框架

6文本類樣本基本要求

6.1文本文件存儲(chǔ)格式要求

文本樣本數(shù)據(jù)應(yīng)采用txt、csv、Json、xlsx、xls、xml存儲(chǔ)格式。

6.2文本文件命名要求

文本文件名稱應(yīng)由四個(gè)部分組成：

a)第一部分為項(xiàng)目命名詞或文本來(lái)源；

b)第二部分為當(dāng)前文本文件的專業(yè)信息；

c)第三部分為原始源文件生成時(shí)的日期，日期格式：YYYY-MM-DD；

4

T/CESXXXXXXX

-

d)第四部分為文件唯一性編號(hào)，從1開始計(jì)數(shù)；

e)這四部分用下劃線連接，且文件名稱長(zhǎng)度和擴(kuò)展名在內(nèi)最大長(zhǎng)度不超過(guò)100個(gè)字符

(包含中英文字符和特殊字符)；

f)文件命名舉例：××項(xiàng)目_酒店預(yù)訂語(yǔ)料_2022-06-08_1。

6.3文本類樣本質(zhì)量要求

文本類樣本質(zhì)量應(yīng)滿足下述要求：

a)應(yīng)支持計(jì)算機(jī)正常讀取，文本內(nèi)容無(wú)亂碼；

b)內(nèi)容應(yīng)滿足相關(guān)業(yè)務(wù)需求；

c)應(yīng)使用UTF-8編碼。

6.4文本樣本描述文件

每批次文本樣本集應(yīng)有一個(gè)描述文件，應(yīng)滿足下述要求：

a)存儲(chǔ)格式應(yīng)為txt格式；

b)命名應(yīng)由三個(gè)部分組成：

1)項(xiàng)目命名詞或樣本來(lái)源；

2)本文件創(chuàng)建的日期，日期格式：YYYY-MM-DD；

3)文件唯一性編號(hào)，從1開始計(jì)數(shù)；

4)文件名的各部分用下劃線連接，文件命名示例：××項(xiàng)目_2022-06-08_1。

c)文檔內(nèi)容應(yīng)描述本樣本集的基本信息，應(yīng)包括樣本所屬項(xiàng)目、樣本來(lái)源、創(chuàng)建日期、

聯(lián)系人、樣本標(biāo)注信息、標(biāo)注格式、樣本用途等信息。

7文本類樣本標(biāo)注要求

7.1基本要求

應(yīng)滿足標(biāo)注對(duì)象范圍、標(biāo)注方式、標(biāo)注文件命名要求。具體要求包括：

a)文本語(yǔ)料樣本標(biāo)注應(yīng)支持意圖、槽位等信息的標(biāo)注；

b)文本語(yǔ)料樣本標(biāo)注應(yīng)支持序列標(biāo)注、指針標(biāo)注等多種標(biāo)注方式；

c)標(biāo)注可通過(guò)線上標(biāo)注(樣本+標(biāo)注平臺(tái))和線下標(biāo)注(線下小工具和線下文本txt、csv、

Json)實(shí)現(xiàn)；

d)序列標(biāo)注應(yīng)采用B、I、E、O、S標(biāo)簽列表，宜采用BIO、BIOES標(biāo)簽方案進(jìn)行標(biāo)

注；

5

T/CESXXXXXXX

-

f)已完成標(biāo)注的文本文件應(yīng)按照規(guī)定的命名格式命名。

7.2意圖標(biāo)注要求

樣本意圖標(biāo)注應(yīng)滿足下述要求：

a)樣本標(biāo)注前應(yīng)確定意圖類別數(shù)和意圖類別名稱；

b)樣本意圖類型的確定需要結(jié)合具體的應(yīng)用場(chǎng)景和待標(biāo)注樣本數(shù)據(jù)；

c)若一條樣本可標(biāo)注為多個(gè)意圖類別時(shí)，應(yīng)根據(jù)應(yīng)用場(chǎng)景將該樣本標(biāo)注為一個(gè)可能性最

大的意圖類別，必要時(shí)可由多位標(biāo)注人員共同確定待標(biāo)注樣本的意圖類別；

d)每條語(yǔ)料樣本都應(yīng)標(biāo)注出其意圖類別，若一條語(yǔ)料意圖不屬于已定義的意圖中的任何

一類則可將該語(yǔ)料刪除，或者新增一個(gè)意圖類別以將語(yǔ)料樣本中不屬于已定義意圖類別的語(yǔ)

料樣本均歸類于該意圖類別；

e)標(biāo)注時(shí)應(yīng)做到準(zhǔn)確標(biāo)注意圖類別；

f)應(yīng)用場(chǎng)景如：新增日程、查詢?nèi)粘?/p>

7.3槽位標(biāo)注要求

樣本槽位標(biāo)注應(yīng)滿足下述要求：

a)樣本標(biāo)注前應(yīng)定義槽位的類別數(shù)和類別名稱；

b)一條待標(biāo)注樣本中有可能存在多個(gè)槽位，應(yīng)標(biāo)出所有的槽位信息；

c)一條樣本中可能不存在槽位信息，應(yīng)允許槽位信息為空；

d)樣本中的槽位信息可能存在重疊，對(duì)存在重疊的槽位信息是否標(biāo)注以及怎樣標(biāo)注需

要根據(jù)具體情況確定；

e)標(biāo)注槽位信息要準(zhǔn)確、全面；

f)應(yīng)用場(chǎng)景如：“定一個(gè)早上九點(diǎn)在北京評(píng)審的日程”，需要標(biāo)注的槽位信息為：“早上

九點(diǎn)”、“北京”、“評(píng)審”，標(biāo)注結(jié)果：“定一個(gè)[早上九點(diǎn)](TIME)在[北京](address)[評(píng)審](Theme)

的日程”。

7.4標(biāo)注文件命名與存儲(chǔ)要求

標(biāo)注文件應(yīng)由兩部分組成，第一部分與對(duì)應(yīng)標(biāo)注文本命名一致，第二部分為“-bz”，應(yīng)

保存為txt等滿足應(yīng)用需求的格式，具體如：××項(xiàng)目_酒店預(yù)訂語(yǔ)料_2022-06-08_1-bz。

6

T/CESXXXXXXX

-

8樣本標(biāo)注流程

8.1總體要求

樣本標(biāo)注應(yīng)包含語(yǔ)料樣本獲取、語(yǔ)料樣本檢查、安全管控、標(biāo)注工具選擇、語(yǔ)料樣本標(biāo)

注、標(biāo)注結(jié)果收集和標(biāo)注結(jié)果核查等環(huán)節(jié)，具體如圖所示：

圖2樣本標(biāo)注流程

8.2樣本獲取

根據(jù)應(yīng)用場(chǎng)景搜集整理相關(guān)語(yǔ)料樣本數(shù)據(jù)，并按照第6章內(nèi)容樣本文件進(jìn)行樣本文件命

名、創(chuàng)建樣本描述文件等操作。

8.3樣本檢查

在樣本標(biāo)注前應(yīng)按照本文第6章要求對(duì)待標(biāo)注樣本進(jìn)行檢查，應(yīng)根據(jù)業(yè)務(wù)需求和樣本的

數(shù)量采用全量檢查或抽樣檢查，方式如下：

a)全量檢查應(yīng)對(duì)指定范圍內(nèi)的所有樣本進(jìn)行逐條檢查；

b)抽樣檢查可采用隨機(jī)抽樣或分層抽樣，方式如下：

1)隨機(jī)抽樣，即：針對(duì)不同業(yè)務(wù)類型的數(shù)據(jù)樣本采用隨機(jī)抽樣進(jìn)行檢查；

2)分層抽樣，即：針對(duì)同一業(yè)務(wù)類型的樣本數(shù)據(jù)，根據(jù)樣本類型不同采取分層抽

樣的方式進(jìn)行檢查。

7

T/CESXXXXXXX

-

8.4安全管控

應(yīng)滿足對(duì)標(biāo)注環(huán)境及標(biāo)注人員的安全管控要求。具體要求包括：

a)標(biāo)注過(guò)程應(yīng)在內(nèi)網(wǎng)環(huán)境下的指定機(jī)器中進(jìn)行，機(jī)器應(yīng)開啟防火墻，安裝殺毒軟件，

并禁用USB接口功能。機(jī)器中的所有數(shù)據(jù)文件需定期做好數(shù)據(jù)備份，不得擅自拷貝、傳輸，

防止數(shù)據(jù)丟失或泄露；

b)標(biāo)注人員應(yīng)經(jīng)過(guò)標(biāo)注工作培訓(xùn)獲得相關(guān)單位資格認(rèn)證并簽署樣本標(biāo)注保密協(xié)議后才

可上崗操作。

8.5標(biāo)注工具選擇

應(yīng)使用標(biāo)注格式通用、易操作的標(biāo)注工具進(jìn)行標(biāo)注。

8.6語(yǔ)料樣本標(biāo)注

8.6.1基本要求

應(yīng)根據(jù)業(yè)務(wù)需求和標(biāo)注任務(wù)難易度選擇人工標(biāo)注或半自動(dòng)化標(biāo)注。

8.6.2人工標(biāo)注

人工標(biāo)注任務(wù)應(yīng)按照試標(biāo)注、批量標(biāo)注順序執(zhí)行，具體要求如下：

a)試標(biāo)注：

1)從標(biāo)注任務(wù)的待標(biāo)注樣本中抽取試標(biāo)注樣本?？刹捎秒S機(jī)抽樣或分層抽樣方法

抽取樣本，抽取比例不宜低于待標(biāo)注樣本總量的1%；

2)標(biāo)注人員對(duì)抽取樣本進(jìn)行標(biāo)注；

3)標(biāo)注項(xiàng)目負(fù)責(zé)人對(duì)標(biāo)注結(jié)果進(jìn)行確認(rèn)；

4)標(biāo)注人員重復(fù)執(zhí)行標(biāo)注錯(cuò)誤的標(biāo)注任務(wù)，直至標(biāo)注項(xiàng)目負(fù)責(zé)人確認(rèn)無(wú)誤。

b)標(biāo)注人員批量執(zhí)行標(biāo)注任務(wù)。

8.6.3.半自動(dòng)化標(biāo)注

半自動(dòng)標(biāo)注任務(wù)應(yīng)按照樣本構(gòu)建、模型構(gòu)建、模型批量標(biāo)注順序執(zhí)行，具體要求如下：

a)樣本構(gòu)建：

8

T/CESXXXXXXX

-

1)從待標(biāo)注樣本中抽取訓(xùn)練樣本和測(cè)試樣本?？刹捎秒S機(jī)抽樣或分層抽樣方法抽取樣

本，