数据标注从难易程度方面可划分为常识性标注与专业性标注

数据标注从难易程度方面可划分为常识性标注与专业性标注。例如，地图识别领域的标注多为常识性标注，标注道路、路牌、地图等数据，语音识别标注也多为常识性标注。做该类型标注工作难点在于需要大量标注训练样本，因为应用场景多样且复杂，对标注员无专业技能要求，主要是认真负责，任务完成效率快、质量高的即为好的标注员。

数据标注从标注目的方面可划分为评估型标注与样本型标注。

评估型标注一般是为了评估模型的准确率，发现一些Badcase样例，然后优化算法模型，该类型标注工作为了节约标注资源可控制标注数量，一般情况下标注千量级的数据，样本具有统计意义即可，标注完成后需要统计正确率，以及错误样例，该类型标注的重点是错误样例的原因总结，分析每个Badcase出现的原因，并将原因归纳为不同的分类，有了原因分析方便算法同学分类型分批次的优化模型。

样本型标注即为模型提供前期的训练样本，作为机器学习的输入，该类型标注工作需要标注大量数据，一般情况下需要标注万量级的数据。为了样本的均衡性，标注样本多是随机抽取的，这样做的优点是可在一定程度上避免样本偏差，但缺点是要标注大量数据。如果是文本型样本，有时可借助算法抽取一些高频、高质量样本进行标注，这样可一定程度上减少标注工作量，但可能存在样本偏差。总之样本型标注是个苦力活，业界有句话这么说的：如果你和一个人有仇，那么劝他去干标注吧。

数据标注从标注对象方面可划分为文本标注、图像标注、语言标注、视频标注，从标注方式方面可划分为分类标注、标框标注、描点标注，这些标注分类基本都属于标注形式的差异，没有较强的专业度，所以不做较多讲述了。

二、数据标注规则的制定

常识性标注的规则比较简单，标注一部分样本即可总结出较通用的规则，但专业性标注的规则比较复杂，制定专业的标注规则需要遵循以下三原则：多维分析与综合分析相结合，因子权重影响因素场景化，问题类型标签化、结构化。以下是招聘领域简历与职位匹配度标注规则的指导思想，具体细节规则会在《数据标注（下）》中阐述。该标注规则比较符合标注规则制定的三原则。