SpaCy 没有像预期的那样识别金钱和国家

Question

我正在使用 SpaCy 从示例文本中提取不同的命名实体。问题是 SpaCy 不能识别所有预期的实体。它在资金和某些地点方面存在问题。这是我的代码：

# encoding: utf-8
import spacy
from spacy import displacy

nlp = spacy.load('es') #cargo el modelo en español.
text = u"Una vez un personaje le preguntó a Agustín Chirichigno si estaba en su casa. El nombre de este personaje es Lucas Picchi y es de Mar del Plata. Junto a SU PRIMO, DE ESTADOS UNIDOS hacen cosas re locas como por ejemplo comprar un Fernet Branca a AR.500 cuando en realidad está a 0."
doc = nlp(text)
displacy.serve(doc, style='ent')

请注意，我正在加载西班牙模型。我的配置如下：空间信息

Info about spaCy

Python version     2.7.6          
Platform           Linux-4.4.0-112-generic-x86_64-with-Ubuntu-14.04-trusty
spaCy version      2.0.9          
Location           /usr/local/lib/python2.7/dist-packages/spacy
Models             es, en

所以，输出是：

预期的是 SpaCy 正确识别 MONEY（2500 美元是 2500 阿根廷比索，180 美元也是货币）。 "Junto" 不是 LOCATION 也不是 "SU PRIMO"。 "Junto a su primo" 相当于英文的 "with his cousin"。此外，Fernet Branca 是一个 BRAND，而不是一个人。

所以，我的问题是：我做错了什么？我应该使用额外的库吗？

提前致谢。

Answer 1

根据西班牙模型的 spacy 文档，它支持识别 PER、LOC、ORG 和 MISC 实体。它是在 AnCora 和 WikiNER 语料库上训练的。

在发行说明中提到：

"Because the model is trained on Wikipedia, it may perform inconsistently on many genres, such as social media text."

由于您的数据结果不令人满意，您需要针对您的数据对其进行训练。这可以按照 here

中的建议完成

对于金钱，您实际上可以为美元货币编写一个像这样的简单正则表达式

^$?[0-9][0-9\,]*(\.\d{1,2})?$|^$?[\.]([\d][\d]?)$

SpaCy 没有像预期的那样识别金钱和国家

SpaCy doesn't recognize money and countries as expected

python

nlp

spacy

named-entity-recognition