使用 NLTK 和 Spacy 的 NLP 命名实体识别

Question

我在 NLTK 和 Spacy 的以下句子中使用了 NER，结果如下：

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

我在 Google Colab 上运行了以下代码。

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')]

但是当我在同一文本上使用 spacy 时，它没有返回任何结果

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:
()

它只适用于某些句子。

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 $5.1 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, $5.1 billion, Wednesday)

如果有问题请告诉我。

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这些模型所训练的数据集。

根据 spacy 文档，命名实体是一个“现实世界的对象”，它被分配了一个名称——例如，一个人、一个国家、一个产品或一个书名。

例如，名称 Zoni 并不常见，因此模型不会将该名称识别为命名实体（人）。如果我在您的句子中将名称 Zoni 更改为 William，spacy 将 William 识别为一个人。

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 pencil、eraser 和 sharpener 是对象，因此它们可能会被归类为产品，因为 spacy documentation 声明“对象”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，如果在输入文本中找不到命名实体，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。然而，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令牌提供一个 POS 标签（尽管有时可能会有所不同），但命名实体的识别（如“生活很复杂”的帖子中所解释的那样）取决于这些模型的数据集受过训练。如果模型“感觉”句子中没有命名实体，您将得到一个空的结果集。但为了公平比较，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，可以使用 spaCy 运行：

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