我正在使用包含两组 .txt 文件的带注释的语料库。第一组包含被注释的文档(即文章、博客文章等),第二组包含实际的注释。将注释与注释文本匹配的方法是通过“字节跨度”。从自述文件中:
"The span is the starting and ending byte of the annotation in
the document. For example, the annotation listed above is from
the document, temp_fbis/20.20.10-3414. The span of this annotation
is 730,740. This means that the start of this annotation is
byte 730 in the file docs/temp_fbis/20.20.10-3414, and byte 740
is the character after the last character of the annotation."
所以,问题:如何索引文档中的开始和结束字节,以便我可以将注释与原始文档中的文本相匹配?有任何想法吗?我正在用 Python 做这方面的工作......