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:
-
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
-
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)
-
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")
-
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:
-
简单分隔:
- 语句:"1 tsp butter or olive oil"
- 解析:butter | olive oil(由"or"分隔)
-
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
-
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:
- 预处理结果与存储token的一致性
- token与标签数量匹配
- 重复语句标签一致性
- 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
- 标注一致性:建立详细的标注指南,定期复核
- 数据平衡:确保各类型语句比例合理
- 边缘案例:特别关注复杂名称结构的标注
- 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
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~058CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。07GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
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!C0382- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
OMNeT++中文使用手册:网络仿真的终极指南与实用教程 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 PADS元器件位号居中脚本:提升PCB设计效率的自动化利器 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 Python Django图书借阅管理系统:高效智能的图书馆管理解决方案 Python开发者的macOS终极指南:VSCode安装配置全攻略 WebVideoDownloader:高效网页视频抓取工具全面使用指南 ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源
项目优选
收起

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

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)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

React Native鸿蒙化仓库
C++
179
263

openGauss kernel ~ openGauss is an open source relational database management system
C++
131
184

deepin linux kernel
C
22
5

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

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-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

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