使用 NLTK 和 Spacy 的 NLP 命名实体识别

Question

我在 NLTK 和 Spacy 上对以下句子使用了 NER，结果如下：

"Zoni I want to find a pencil, a eraser and a sharpener"

我运行 Google Colab 上的以下代码。

import nltk
nltk.download('punkt')
nltk.download('averaged_perceptron_tagger')
from nltk.tokenize import word_tokenize
from nltk.tag import pos_tag

ex = "Zoni I want to find a pencil, a eraser and a sharpener"

def preprocess(sent):
    sent = nltk.word_tokenize(sent)
    sent = nltk.pos_tag(sent)
    return sent

sent = preprocess(ex)
sent

#Output:
[('Zoni', 'NNP'),
 ('I', 'PRP'),
 ('want', 'VBP'),
 ('to', 'TO'),
 ('find', 'VB'),
 ('a', 'DT'),
 ('pencil', 'NN'),
 (',', ','),
 ('a', 'DT'),
 ('eraser', 'NN'),
 ('and', 'CC'),
 ('a', 'DT'),
 ('sharpener', 'NN')]

但是当我在同一个文本上使用 spacy 时，return 没有任何结果

import spacy
from spacy import displacy
from collections import Counter
import en_core_web_sm
nlp = en_core_web_sm.load()

text = "Zoni I want to find a pencil, a eraser and a sharpener"

doc = nlp(text)
doc.ents

#Output:
()

它只对某些句子有效。

import spacy
from spacy import displacy
from collections import Counter
import en_core_web_sm
nlp = en_core_web_sm.load()

# text = "Zoni I want to find a pencil, a eraser and a sharpener"

text = 'European authorities fined Google a record .1 billion on Wednesday for abusing its power in the mobile phone market and ordered the company to alter its practices'

doc = nlp(text)
doc.ents

#Output:
(European, Google, .1 billion, Wednesday)

如有不妥请告知

Answer 1

Spacy 模型是统计模型。因此，这些模型识别的命名实体取决于训练这些模型的数据集。

根据 spacy 文档，命名实体是一个“真实世界对象”，它被分配了一个名字——例如，一个人、国家、产品或书名。

例如，姓名 Zoni 并不常见，因此模型不会将该姓名识别为命名实体（人）。如果我在你的句子 Zoni 中将名字 Zoni 更改为 William spacy recognize William作为一个人。

import spacy
nlp = spacy.load('en_core_web_lg')

doc = nlp('William I want to find a pencil, a eraser and a sharpener')

for entity in doc.ents:
  print(entity.label_, ' | ', entity.text)
  #output
  PERSON  |  William

人们会假设铅笔、橡皮和 卷笔刀 是对象，所以它们会可能被归类为产品，因为 spacy documentation 状态 'objects' 是产品。但是您句子中的 3 个对象似乎并非如此。

我还注意到，如果在输入文本中未找到命名实体，则输出将为空。

import spacy
nlp = spacy.load("en_core_web_lg")

doc = nlp('Zoni I want to find a pencil, a eraser and a sharpener')
if not doc.ents:
  print ('No named entities were recognized in the input text.')
else:
  for entity in doc.ents:
    print(entity.label_, ' | ', entity.text)

Answer 2

我不确定我是否理解您要进行的比较。在您使用 NLTK 的第一个示例中，您正在查看句子中的 POS 标签。但是在 spaCy 的第二个示例中，您正在查看 命名实体 。这是两个不同的东西。统计模型应该始终为每个标记提供一个 POS 标签（尽管有时可能会有所不同），但命名实体的识别（如 'Life is complex' 在 post 中解释的那样）取决于数据集这些模型是在其上训练的。如果模型 "feel like" 句子中没有命名实体，您将得到一个空结果集。但为了获得公平的比较，您还应该显示 NLTK 找到的命名实体，并与之进行比较。

如果您想比较 POS 标签，您可以使用 spaCy 运行这个：

for token in doc:
    print(token.text, token.pos_, token.tag_)

使用 NLTK 和 Spacy 的 NLP 命名实体识别

NLP Named Entity Recognition using NLTK and Spacy

python-3.x

nlp

nltk

spacy

named-entity-recognition