有很多文本文档（自然语言，非结构化），用一些语义元数据注释它们的可能方法是什么？例如，考虑一个简短的文档：
I saw the company's manager last day.
为了能够从中提取信息，必须使用附加数据对其进行注释以减少歧义。查找此类元数据的过程没有问题，因此假设它是手动完成的。问题是如何以一种可以更方便/更有效地对其进行进一步分析的方式存储这些数据？
一种可能的方法是使用 XML 标记（见下文），但它似乎过于冗长，并且可能有更好的方法/指南将此类元数据存储在文本文档中。
<Person name="John">I</Person> saw the <Organization name="ACME">company</Organization>'s
manager <Time value="2014-5-29">last day</Time>.
就我个人而言，我主张使用既不是 NLP 领域特有的东西，又是足够通用的东西，即使你已经开始超越这个元数据级别，它仍然可以用作工具。我会特别选择一种无论开发环境如何都可以使用的格式，以及一种在相关时可以保留一些基本结构的格式（如标记化）
这可能看起来很奇怪，但我会诚实地建议JSON。它得到了很好的支持，支持了很多结构，并且足够灵活，你不应该因为不够强大而不得不离开它。对于您的示例，如下所示：
{'text': 'I saw the company's manager last day.", {'Person': [{'name': 'John'}, {'indices': [0:1]}, etc...]}
您在这里获得的任何 NLP 特定格式的一大优势是JSON可以在任何环境中解析，而且由于您可能无论如何都必须编辑您的格式，JSON 适合非常简单的编辑，让您的距离很短到其他格式。
如果需要，您还可以隐式存储标记化信息：
{"text": ["I", "saw", "the", "company's", "manager", "last", "day."]}
编辑：澄清元数据的映射是非常开放的，但这里有一个例子：
{'body': '<some_text>',
'metadata':
{'<entity>':
{'<attribute>': '<value>',
'location': [<start_index>, <end_index>]
}
}
}
希望对您有所帮助，如果您还有其他问题，请告诉我。
根据我的评论，小子注释工具可能对您有用。我已经尝试了很多，这是我发现的最好的。它有一个很好的用户界面，可以支持许多不同类型的注释。注释存储在单独的 .annot 文件中，其中包含每个注释及其在原始文档中的位置。不过要提醒一句，如果您最终想要将注释输入到斯坦福 NER 工具等分类器中，那么您将不得不进行一些操作以将数据转换为它可以接受的格式。
要描述所有存在的数据是一项艰巨的任务，但我们可以使用数据模型： http: //schema.org/，其中是信息的结构类型。先前的执行旨在实现 MarkUp 技术，因此，它似乎对您的任务很有用。