B2C / C2C Label 工具

已更新B2C Queries和mapping dictionary，如果還有其他問題請跟助教說

簡介

這是一個商品匹配標註工具，主要用來處理兩種類型的標註：

1. C2C（消費者對消費者）：處理 C2C 搜尋結果。
2. B2C（企業對消費者）：處理 B2C 搜尋結果。

工具以 Streamlit 為基礎撰寫，操作方法請見C2C/B2C 人工核實標註方法。

---

環境需求

需要的工具和套件如下：

• Python：版本 >=3.9
• 必裝套件：
  • streamlit
  • pandas
  • streamlit-aggrid
• 安裝方法： 打開終端機跑這行：

  pip install -r requirements.txt
  

工具用法

B2C 標註工具

• 啟動方式：streamlit run label_ui_b2c.py
• 將檔案路徑為：./b2c/B2C_Common_250.csv
• 標註的結果會存成 {搜尋詞}_annotations.csv

C2C 標註工具

• 啟動方式：streamlit run label_ui_c2c.py
• 請將檔案路徑修改為組別代號，例如：./c2c_result/G組_C2C搜尋結果.csv
• 標註的結果會存成 {搜尋詞}_annotations.csv

標註工具

• 啟動工具：選好你的類型（C2C 或 B2C），執行對應指令。
• 選搜尋詞：從側邊欄挑出要標註的搜尋詞。
• 開始標註：
  • 看商品是否匹配：
  • x：不匹配。
  • o：匹配。
• 點一下表格的格子，就可以在 x 和 o 間切換。
• 保存進度：點「保存標註」按鈕，系統會幫你自動生成標註結果檔案。
• 整理檔案並且製作成壓縮檔。

人工核實及分析

在大家做完人工核實之後，就可以針對標註的結果進行分析並且製作PPT 因為要計算模型商品匹配結果的 Recall、Accuracy、Precision、f1 score的分數，所以需要以下資料：

1. 利用 putback.ipynb 將檔案從o跟x的模式轉換成能夠計算分數的格式。請注意，由於格式不同需要修改程式
2. 人工核實結果（Ground Truth）：來自大家的人工標註結果。 每對商品是否匹配的真實標籤（例如：匹配=1，不匹配=0）。
3. 模型預測結果：之前模型給出的商品匹配結果。 同樣格式，標籤是 1 或 0。

檔案繳交方式

B2C 部分：

依 grouped_queries.csv 的順序，找到搜尋詞後依序標註。

C2C 部分：

必標 15 個共同搜尋詞，再加 35 個自選搜尋詞。

報告

拿大家人工核實的部分來算你們之前模型商品匹配結果的Recall、Accuracy、Precision、f1 score的分數，然後進行分析。

繳交方式：

把結果資料整理成 c2c 和 b2c 兩個資料夾，壓縮後再提交。 總共有四份檔案要繳交，每組請選派B2C和C2C共兩位代表統整檔案以及報告:

1. 人工核實檔案(壓縮檔)：將資料依類別分為 c2c 和 b2c 兩個資料夾，壓縮後繳交(請分開繳交)

• 檔名：組別_C2C.rar 以及 組別_B2C.rar
• 範例：A組_C2C.rar, A組_B2C.rar

2. 結果分析(PPT)：透過人工核實標記的結果分析 PPT

• 檔名：組別_結果分析_C2C_報告人.pptx
• 範例：A組_結果分析_C2C_XXX.pptx，A組_結果分析_B2C_XXX.pptx

繳交期限：

2023/11/27 23:59 前

如果有問題請找助教 助教：旭清

Email：stanley890314@gmail.com