具有spacy的上下文命名实体识别 - 如何？

Question

对于一个新项目，我需要从网页中提取信息，更准确地说是印记信息。我使用 brat 来标记文档，并开始使用 spacy 和 NER 进行第一次实验。有很多关于此的视频和教程，但仍然存在一些基本问题。 是否可以包含实体的上下文？

示例文本：

对内容负责：

The Good Company GmbH 0331 柏林

您可以通过 +49 123 123 123 联系我们。

本网站由 good design GmbH 创建，请联系 +49 12314 453 5。

好吧，spacy 非常擅长提取电话号码。根据我最近的测试，错误率不到百分之二。我已经能够在 250 个标记的文档之后实现这一点，同时我已经标记了 450 个文档，我的目标是大约 5000 个文档。 现在到实际点。相关的只有在“对内容负责”这句话的上下文中显示的电话号码，其他电话号码不相关。 我现在可以想象将这些介绍性句子训练为实体，因为它们总是在某种程度上相似。但是我怎样才能创建上下文呢？也许已经有基于 NER 的模型可以做到这一点？ 也许有人已经在某处读过一些提示或一些关于它的东西？作为初学者，门槛比较高，因为材料很深（很少玩文字）。

来自德国的问候！

Answer 1

如果我正确理解您的问题和用例，我建议采用以下方法：

• 训练/设计一些能够识别所有电话号码的系统 - 看起来你已经掌握了
• Train a text classifier 识别“对内容负责”的句子。
• 实施一些启发式方法（可能是基于规则的？）以确定是否有任何可识别的电话号码与任何预测的“内容负责”句子相关 - 可能使用简单的特征，例如中间的句子数量，取句子后的第一个电话号码等。

所以基本上我会建议分别解决每个 NLP 挑战，然后将整个文档中的信息联系起来。