首页
/ 深入解析ingredient-parser项目中的训练数据构建

深入解析ingredient-parser项目中的训练数据构建

2025-06-20 16:47:20作者:郜逊炳

项目背景与数据重要性

ingredient-parser是一个专注于食材语句解析的开源项目,其核心功能依赖于序列标注模型。这类模型需要大量高质量的标注数据才能准确识别食材语句中的各种成分。本文将深入探讨该项目的训练数据构建过程,帮助开发者理解如何为食材解析任务准备有效的数据集。

训练数据来源与特点

项目采用了来自多个知名食谱平台的食材语句数据,这些数据具有以下特点:

  1. 数据多样性

    • 包含75,318条已标注的食材语句
    • 涵盖不同地区的计量单位(公制与英制)
    • 包含简单和复杂的句式结构
    • 涉及品牌名称和通用名称的使用
  2. 代表性数据集

    • allrecipes:15,000条,包含较多品牌名称
    • bbc:15,000条,使用公制单位
    • cookstr:15,000条,包含复杂长句
    • nyt:30,000条,来自知名媒体
    • tc:6,318条,特殊数据集

数据标注体系详解

标注过程是构建有效模型的关键环节,项目采用了一套精细的标注体系:

基础标注类别

标签 描述 示例
QTY 数量 "2" in "2 cups"
UNIT 单位 "cups" in "2 cups"
SIZE 物理尺寸 "large" in "2 large eggs"
PREP 准备方式 "chopped" in "1 onion, chopped"

名称相关标注(核心难点)

  1. 基础名称标注

    • B_NAME_TOK:名称首词(如"olive" in "olive oil")
    • I_NAME_TOK:名称后续词(如"oil" in "olive oil")
  2. 名称变体处理

    • NAME_VAR:名称变体(如"beef" in "beef or chicken stock")
    • NAME_MOD:名称修饰词(如"dried" in "dried apples and pears")
    • NAME_SEP:名称分隔词(通常是"or")

特殊标注

  • COMMENT:附加信息注释
  • OTHER:预处理异常标记(仅45条,训练时排除)

复杂名称解析案例

食材名称解析是项目中最具挑战性的部分,以下是几个典型场景:

  1. 简单分隔

    • 语句:"1 tsp butter or olive oil"
    • 解析:butter | olive oil(由"or"分隔)
  2. 复合变体

    • 语句:"500 ml olive, sunflower or vegetable oil"
    • 解析:olive oil | sunflower oil | vegetable oil
    • 注意:需要识别逗号和"or"的组合逻辑
  3. 修饰词共享

    • 语句:"2 cups hot beef or chicken stock"
    • 解析:hot beef stock | hot chicken stock
    • 关键:"hot"修饰两个变体

数据存储与验证

项目采用SQLite数据库存储标注数据,表结构设计如下:

字段 类型 描述
id INTEGER 唯一标识
source TEXT 数据来源
sentence TEXT 原始语句
tokens TEXT 分词结果
labels TEXT 对应标签
foundation_foods TEXT 基础食材索引

数据一致性通过专用脚本验证,检查内容包括:

  1. 预处理结果与存储token的一致性
  2. token与标签数量匹配
  3. 重复语句标签一致性
  4. 名称标签序列有效性(I_NAME_TOK必须跟随B_NAME_TOK)

CSV数据交换格式

项目维护CSV格式的数据副本,特点包括:

  • 与原始数据格式兼容
  • 包含完整的原始数据集
  • 通过专用脚本与数据库同步
  • 不可用于重建完整数据库(信息有损)

最佳实践建议

  1. 标注一致性:建立详细的标注指南,定期复核
  2. 数据平衡:确保各类型语句比例合理
  3. 边缘案例:特别关注复杂名称结构的标注
  4. 验证机制:开发自动化检查工具

通过这套系统的数据构建方法,ingredient-parser项目能够处理各种复杂的食材语句,为食谱分析和营养计算提供了可靠的基础。理解这些数据构建原理,有助于开发者更好地使用和扩展该项目。

登录后查看全文
热门项目推荐

热门内容推荐

项目优选

收起
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
49
337
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
348
382
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
872
517
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
179
263
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
131
184
kernelkernel
deepin linux kernel
C
22
5
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
7
0
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
335
1.09 K
harmony-utilsharmony-utils
harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
32
0
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.08 K
0