李甜華，央 啦，楊文藝，春 燕

（西藏大學(xué)信息科學(xué)與技術(shù)學(xué)院，拉薩 850000）

0 引言

在自然語言處理中，數(shù)據(jù)集的質(zhì)量對模型的性能和準(zhǔn)確性有著至關(guān)重要的影響。數(shù)據(jù)集構(gòu)建是自然語言處理中的一個(gè)重要環(huán)節(jié)，需要收集大量的文本數(shù)據(jù)，并對這些數(shù)據(jù)進(jìn)行標(biāo)注和清洗，以便用于訓(xùn)練和評估自然語言處理模型［1］。

在中文自然語言處理領(lǐng)域，有很多公開成熟的數(shù)據(jù)集可以獲取，但藏文數(shù)據(jù)集公開程度低，大部分為實(shí)驗(yàn)室內(nèi)部使用，無法通過公開渠道獲取。因此需要自建數(shù)據(jù)集以便更好地滿足研究要求。

《中國藏族網(wǎng)》藏文版包含了大量關(guān)于西藏公開的新聞報(bào)道，是一個(gè)方便快捷的藏文語料來源。本文采用半自動(dòng)標(biāo)注的構(gòu)建方法，基于爬蟲技術(shù)從該網(wǎng)站獲取充足的原始語料［2］。利用WPF 新一代Windows 界面開發(fā)技術(shù)設(shè)計(jì)快速高效、開發(fā)友好的界面［3］，導(dǎo)入通過人工標(biāo)注的大量的人名、地名和機(jī)構(gòu)名三類命名實(shí)體庫，對采集的原始數(shù)據(jù)集進(jìn)行粗篩選，大幅降低了數(shù)據(jù)構(gòu)建的工作量。

1 相關(guān)技術(shù)介紹

1.1 數(shù)據(jù)爬蟲技術(shù)介紹

數(shù)據(jù)爬蟲技術(shù)是一種自動(dòng)化獲取互聯(lián)網(wǎng)上數(shù)據(jù)的技術(shù)，也稱為網(wǎng)絡(luò)爬蟲、網(wǎng)絡(luò)蜘蛛或網(wǎng)絡(luò)機(jī)器人。它可以模擬人類在互聯(lián)網(wǎng)上的行為，自動(dòng)訪問網(wǎng)站、抓取數(shù)據(jù)、解析數(shù)據(jù)并存儲(chǔ)到本地或數(shù)據(jù)庫中［4］。通常包括以下幾個(gè)步驟：

（1）確定目標(biāo)網(wǎng)站：確定需要的目標(biāo)網(wǎng)站，了解網(wǎng)站的結(jié)構(gòu)和數(shù)據(jù)類型；

（2）編寫爬蟲程序：根據(jù)目標(biāo)網(wǎng)站的結(jié)構(gòu)和數(shù)據(jù)類型，編寫相應(yīng)程序；

（3）發(fā)送請求：爬蟲程序向目標(biāo)網(wǎng)站發(fā)送請求，獲取網(wǎng)頁源代碼；

（4）解析數(shù)據(jù)：爬蟲程序解析源代碼，可使用正則表達(dá)式、XPath、CSS 選擇器等提取數(shù)據(jù)；

（5）存儲(chǔ)數(shù)據(jù)：將解析后的數(shù)據(jù)存儲(chǔ)到本地文件或數(shù)據(jù)庫中。

1.2 WPF界面設(shè)計(jì)技術(shù)介紹

WPF（Windows presentation foundation）是微軟推出的一種基于.NET Framework 的用戶界面框架，它提供了一種基于XAML（extensible application markup language）的聲明式編程模型，提供了一種高度可定制的用戶界面設(shè)計(jì)方案，可以大大提高應(yīng)用程序的用戶體驗(yàn)和開發(fā)效率［5］。包含如下核心技術(shù)：

（1）XAML：是一種基于XML 的標(biāo)記語言，用于描述WPF 應(yīng)用程序的用戶界面。開發(fā)人員可以將用戶界面的布局、樣式、動(dòng)畫等元素定義為標(biāo)記，實(shí)現(xiàn)可重用性和可維護(hù)性；

（2）數(shù)據(jù)綁定：可將數(shù)據(jù)模型與用戶界面元素進(jìn)行綁定，實(shí)現(xiàn)數(shù)據(jù)的自動(dòng)更新和同步。數(shù)據(jù)綁定可以大大簡化開發(fā)人員的工作，提高應(yīng)用程序的可維護(hù)性和可擴(kuò)展性；

（3）樣式模板：可對用戶界面元素進(jìn)行樣式化和模板化。樣式和模板可以大大提高用戶界面的可定制性和可重用性，同時(shí)也可以提高開發(fā)人員的工作效率；

（4）動(dòng)畫轉(zhuǎn)換：可實(shí)現(xiàn)用戶界面元素的動(dòng)態(tài)效果和交互效果?？商岣邞?yīng)用程序的用戶體驗(yàn)；

（5）自定義控件：增強(qiáng)用戶界面的定制性和擴(kuò)展性，提高開發(fā)人員的工作效率。

1.3 C#編程語言介紹

C#（C Sharp）是一種由微軟開發(fā)的面向?qū)ο缶幊陶Z言，它是.NET Framework 的一部分，可以在Windows、Linux 和macOS 等操作系統(tǒng)上運(yùn)行，具有以下特點(diǎn)［6］：

（1）簡單易學(xué)：C#語法結(jié)構(gòu)簡單、清晰，易于學(xué)習(xí)和理解。它采用了類似于C++和Java的語法，同時(shí)也借鑒了其他編程語言的優(yōu)點(diǎn)，如Python的簡潔性和Ruby的靈活性；

（2）面向?qū)ο螅阂环N面向?qū)ο缶幊陶Z言，支持封裝、繼承和多態(tài)等面向?qū)ο蟮奶匦裕?/p>

（3）安全性高：提供了多種安全機(jī)制，如類型安全、內(nèi)存安全、異常處理等，可以有效地防止代碼中的漏洞和錯(cuò)誤；

（4）跨平臺性：可在多個(gè)操作系統(tǒng)上運(yùn)行，包括Windows、Linux和macOS等；

（5）豐富類庫：包括.NET Framework 和.NET Core 等，這些類庫可以幫助開發(fā)人員快速地實(shí)現(xiàn)各種功能，如文件操作、網(wǎng)絡(luò)通信、圖形界面等。

1.4 八爪魚爬蟲技術(shù)介紹

八爪魚是一款功能強(qiáng)大的網(wǎng)絡(luò)爬蟲工具，可以幫助用戶快速、高效地抓取互聯(lián)網(wǎng)上的數(shù)據(jù)。以下是八爪魚爬蟲工具的介紹：

（1）界面友好：提供了直觀、易用的界面，通過簡單的拖拽和配置，創(chuàng)建自己的爬蟲任務(wù)；

（2）多種數(shù)據(jù)抓取方式：包括網(wǎng)頁、API、RSS、FTP抓取等；

（3）數(shù)據(jù)處理功能：包括數(shù)據(jù)的清洗、轉(zhuǎn)換和數(shù)據(jù)合并等，可快速處理和分析抓取的數(shù)據(jù)；

（4）多種輸出方式：包括Excel、CSV、JSON、XML等；

（5）自動(dòng)化任務(wù)調(diào)度：可定時(shí)執(zhí)行爬蟲任務(wù)，自動(dòng)抓取和處理數(shù)據(jù)。

2 系統(tǒng)架構(gòu)設(shè)計(jì)

藏文數(shù)據(jù)集半自動(dòng)構(gòu)建器由數(shù)據(jù)爬蟲和數(shù)據(jù)篩選兩部分組成。其中，數(shù)據(jù)爬蟲部分通過八爪魚采集器設(shè)計(jì)采集任務(wù)快速實(shí)現(xiàn)，設(shè)置目標(biāo)網(wǎng)站為《中國藏族網(wǎng)》藏文版，快速抓取網(wǎng)站中的新聞報(bào)道正文并導(dǎo)出CSV文件。

數(shù)據(jù)篩選則通過WPF 進(jìn)行界面設(shè)計(jì)，可導(dǎo)入抓取的CSV 文件和命名實(shí)體庫，基于C#編程語言進(jìn)行編寫篩選邏輯，拆分語料的語句，批量處理，提取其中命中了實(shí)體的語句。處理結(jié)束后導(dǎo)出數(shù)據(jù)。整體結(jié)構(gòu)設(shè)計(jì)如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)圖

圖2 目標(biāo)網(wǎng)頁采集配置

3 藏文數(shù)據(jù)集半自動(dòng)構(gòu)建器實(shí)現(xiàn)

3.1 爬蟲部分實(shí)現(xiàn)

在八爪魚采集器中創(chuàng)建任務(wù)“藏文命名實(shí)體爬蟲”，設(shè)置其采集頁面起始網(wǎng)址為：https://ti.tibet3.com/news/tibet/xz/，使用八爪魚瀏覽器可自由點(diǎn)擊并選取需要爬取的頁面元素。

本文需要采集的字段有文章標(biāo)題、發(fā)表時(shí)間、記者、瀏覽次數(shù)和正文內(nèi)容五個(gè)部分。進(jìn)入其中一個(gè)正文報(bào)道后，通過點(diǎn)擊頁面中的元素設(shè)計(jì)采集字段，預(yù)覽圖如圖3所示。

圖3 數(shù)據(jù)集字段設(shè)計(jì)

通過加入循環(huán)的處理邏輯，可以采集多頁的數(shù)據(jù)，最終爬蟲任務(wù)設(shè)計(jì)流程如圖4所示。

圖4 八爪魚采集器爬蟲流程設(shè)計(jì)圖

3.2 拆分部分實(shí)現(xiàn)

3.2.1 整體設(shè)計(jì)

拆分部分基于集成開發(fā)環(huán)境Visual Studio 2019設(shè)計(jì)開發(fā)，由前臺和后臺兩部分組成，前臺通過編寫樣式和模板，以及基于XAML 代碼設(shè)計(jì)程序界面實(shí)現(xiàn)；后臺通過C#代碼實(shí)現(xiàn)拆分邏輯。前后臺通過MVVM（框架如圖5所示）設(shè)計(jì)模式實(shí)現(xiàn)拆分邏輯和頁面分離［7］。

藏文數(shù)據(jù)集半自動(dòng)構(gòu)建器模塊包含頁面公共工具模塊、數(shù)據(jù)導(dǎo)入模塊、拆分模塊、結(jié)果展示模塊四部分。如圖6所示。

圖6 藏文數(shù)據(jù)集半自動(dòng)構(gòu)建器模塊設(shè)計(jì)

3.2.2 拆分算法實(shí)現(xiàn)

拆分算法采用基于滑動(dòng)窗口的命名實(shí)體匹配算法，通過字符串處理實(shí)現(xiàn)。處理流程如圖7所示。具體流程為：通過藏文懸垂符和空格將文本拆分成單個(gè)句子，再將單個(gè)句子通過隔音符拆分成單個(gè)藏文字符，通過滑動(dòng)窗口動(dòng)態(tài)拼接藏文字符組成藏文短語，再放入實(shí)體庫中比較，將命中實(shí)體的窗口進(jìn)行拆分，進(jìn)而將實(shí)體詞從語句中進(jìn)行拆分，并輸出該語句。

圖7 拆分算法流程圖

3.3 實(shí)際效果顯示

3.3.1 爬蟲效果展示

八爪魚爬蟲采集器運(yùn)行效果如圖8 所示，在2 小時(shí)31 分內(nèi)，打開了1287 條報(bào)道，并爬取了相應(yīng)內(nèi)容，平均每分鐘可采集8條報(bào)道。最終將結(jié)果導(dǎo)出為Excel表格文件，如圖9所示。

圖9 爬蟲結(jié)果

3.3.2 拆分界面展示

拆分頁面設(shè)計(jì)如圖10 所示，在拆分頁面分別點(diǎn)擊打開人名數(shù)據(jù)集、地名數(shù)據(jù)集和機(jī)構(gòu)數(shù)據(jù)集，導(dǎo)入實(shí)體庫，并在左下方三個(gè)Tab頁進(jìn)行顯示。再點(diǎn)擊提取關(guān)鍵句，導(dǎo)入爬取的Excel 原始數(shù)據(jù)，程序?qū)?zhí)行拆分算法，并將結(jié)果導(dǎo)出為CSV文件。

圖10 拆分頁面展示圖

3.3.3 拆分結(jié)果展示

拆分算法執(zhí)行完后，共命中實(shí)體語句7036條，導(dǎo)出結(jié)果如圖11所示。

圖11 拆分結(jié)果展示

4 結(jié)語

基于爬蟲和WPF 技術(shù)的藏文命名實(shí)體數(shù)據(jù)集半自動(dòng)構(gòu)建器設(shè)計(jì)為快速高效地從公開的藏文數(shù)據(jù)集網(wǎng)絡(luò)上獲取命名實(shí)體數(shù)據(jù)，可在一定程度降低藏文數(shù)據(jù)集自建難度，提高構(gòu)建效率。該設(shè)計(jì)采用了應(yīng)用成熟、上手難度低的八爪魚采集器作為數(shù)據(jù)爬取部分；拆分部分采用WPF技術(shù)設(shè)計(jì)了較為美觀，操作簡單的用戶界面?；贑#編程語言設(shè)計(jì)并實(shí)現(xiàn)基于窗口的命名實(shí)體匹配及拆分算法。