情感分析任务Label Studio使用指南
1.基于Label studio的训练数据标注指南：信息抽取（实体关系抽取）、文本分类等
2.基于Label studio的训练数据标注指南：（智能文档）文档抽取任务、PDF、表格、图片抽取标注等
3.基于Label studio的训练数据标注指南：文本分类任务
4.基于Label studio的训练数据标注指南：情感分析任务观点词抽取、属性抽取
目录
1. label-studio 安装
本内容在以下环境进行测试安装：
- python == 3.9.12
- label-studio == 1.6.0
在终端(terminal)使用pip安装label-studio：
pip install label-studio==1.6.0安装完成后，运行以下命令行：
label-studio start在浏览器打开http://localhost:8080/，输入用户名和密码登录，开始使用label-studio进行标注。
2. label-studio 项目创建
创建项目之前，需要先确定标注的任务类型以及需要标注哪些内容，然后点击创建（Create）开始创建一个新的项目，填写项目名称、描述。
如果数据已经准备好，可以在此进行导入数据。
接下来，根据需要标注的任务类型，选择适合的任务。在本项目中，默认会包含两种类型的任务：语句级情感分类任务和属性级情感分析任务。由于这两者都属于自然语言处理（NLP）任务，因此可以点击 Natural Language Processing 选项，在该选项下面进行选择相应的子项任务。
- 如果标注语句级情感分类任务，请选择
Text Classification。
- 如果标注属性级情感分析任务，比如属性-观点词-情感极性三元组的信息抽取，请选择
Relation Extraction。
最后点击保存即可。
3. 情感分析任务标注
3.1 语句级情感分类任务
这里对应的任务类型为Text Classification，在标注之前，需要设定正向和负向的标签，然后保存即可。
设定好标签后，即可开始进行标注，选择正向或负向，最后点击提交，便标注好一条数据。
3.2 属性级情感分析任务
在本项目中，属性级的情感分析需要配置的标注任务类型为Relation Extraction，包括属性抽取、观点抽取、属性-观点抽取、属性-情感极性抽取、属性-情感极性-观点词三元组抽取等任务。其中属性-情感极-观点词(A-S-O)三元组抽取是最常见的任务之一，下面优先讲解该任务的标注规则。
3.2.1 属性-情感极性-观点词抽取
属性-情感极性-观点词(A-S-O)三元组抽取标注内容涉及两类标签：Span 类型标签和 Relation 类型标签。其中Span标签用于定位文本批评中属性、观点词和情感极性三类信息，Relation类型标签用于设置评价维度和观点词、情感倾向之间的关系。
（1）Span类型标签
这里需要定位属性、情感极性、观点词三类信息，在标注时，需要将属性和情感极性进行组合，形成复合标签。具体来讲，设定评价维度##正向用于定位情感倾向为正向的属性，评价维度##负向用于定位情感倾向为负向的属性。另外，利用标注标签观点词定位语句中的观点词。
（2）Relation类型标签
这里只涉及到1中Relation类型标签，即评价维度到观点词的映射关系。这里可以设置一下两者关系的名称，即点击Code，然后配置关系名称（这里将两者关系设置为观点词），最后点击保存即可。
在设置好Span类型和Relation标签之后，便可以开始进行标注数据了。
3.2.2 属性-情感极性抽取
如3.2.1所述，本项目中针对属性-情感极性(A-S)抽取任务，采用Span的形式进行标注。设定评价维度##正向用于定位情感倾向为正向的属性，评价维度##负向用于定位情感倾向为负向的属性。下图展示了关于属性-情感极性抽取任务的标注示例。
3.2.3 属性-观点词抽取
针对属性-观点词(A-O)抽取任务，采用Relation的形式进行标注。这需要将属性对应标注标签设定为评价维度，观点词设定为观点词。下图展示了关于属性-观点词抽取任务的标注示例。
3.2.4 属性抽取
针对属性(A)抽取任务，采用Span的形式进行标注。 这需要将属性对应的标注标签设定为评价维度。下图展示了关于属性抽取任务的标注示例。
3.2.4 观点词抽取
针对观点词(O)抽取任务，采用Span的形式进行标注。 这需要将观点词对应的标注标签设定为观点词。下图展示了关于观点词抽取任务的标注示例。
4. 导出标注数据
勾选已标注文本ID，点击Export按钮，选择导出的文件类型为JSON，导出数据：
