[发明专利]待标注数据的拾取方法、装置、电子设备和存储介质

权利要求书

1.一种待标注数据的拾取方法，其特征在于，包括：

获取用户所参与的标注任务；

基于所述标注任务，为所述用户提供用于固定数据的输入格式；

在所述用户正在浏览的页面上，突显所述标注任务下的已采集数据，以得到数据捕获区域；

通过用户行为确定所述用户在所述数据捕获区域中捕获的网页区域和内容；

基于所述输入格式，将所述网页区域和内容传输给数据标注系统。

2.根据权利要求1所述的待标注数据的拾取方法，其特征在于，所述获取用户所参与的标注任务之前，还包括：

验证用户的身份。

3.根据权利要求1所述的待标注数据的拾取方法，其特征在于，所述基于所述标注任务，为所述用户提供用于固定数据的输入格式，包括：

获取所述标注任务的任务类型；所述任务类型包括：文本分类、命名实体识别、文本生成、图像分类或跨模态文本生成；

在所述任务类型为文本分类的情况下，所述输入格式为一条文本；

在所述任务类型为命名实体识别的情况下，所述输入格式为一条文本；

在所述任务类型为文本生成的情况下，所述输入格式为两条文本；

在所述任务类型为图像分类的情况下，所述输入格式为一张图像；

在所述任务类型为跨模态文本生成的情况下，所述输入格式为两条文本和一张图像；

或，

接收所述用户发来的针对所述标注任务的输入格式设定；

基于所述输入格式设定，生成用于固定数据的输入格式；其中，所述输入格式包括：至少一个文本和/或至少一个图像。

4.根据权利要求1所述的待标注数据的拾取方法，其特征在于，所述已采集数据包括：文本数据；

所述在所述用户正在浏览的页面上，突显所述标注任务下的已采集数据，包括：

对所述正在浏览的页面的html源码进行元素抽取；其中，所述元素的标签包括：a、span和p；

在所述元素为叶子结点，且所述元素的内容包括至少一个已采集数据的情况下，在所述正在浏览的页面上，对该元素对应的位置进行突显操作。

5.根据权利要求1所述的待标注数据的拾取方法，其特征在于，所述已采集数据包括：图像数据；

在所述已采集数据为图像数据的情况下，所述在所述用户正在浏览的页面上，突显所述标注任务下的已采集数据，包括：

获取所述用户正在浏览的页面中所有图像url的md5编码；

在所述已采集数据的md5编码与至少一个图像url的md5编码相同时，则在所述正在浏览的页面上，对该图像对应的位置进行突显操作。

6.根据权利要求1所述的待标注数据的拾取方法，其特征在于，所述通过用户行为确定所述用户在所述数据捕获区域中捕获的网页区域和内容，包括：

在所述用户使用鼠标划取一段网页区域或内容之后，监测用户是否执行特定动作；其中，所述执行特定动作包括：按下快捷键或点击菜单页；

在用户执行特定动作的情况下，捕获划取的网页区域或内容。

7.根据权利要求1所述的待标注数据的拾取方法，其特征在于，所述通过用户行为确定所述用户在所述数据捕获区域中捕获的网页区域和内容，包括：

获取所述用户正在浏览的页面的HTML源码；

基于用户点击的网页内容，利用所述HTML源码分析光标所在区域的元素在网页DOM中的xpath；

在所述用户正在浏览的页面中，获取具有相同xpath的位置，并对相应的元素节点内容加高亮，以向用户展示捕获的网页区域和内容。