Začněte nyníZačněte zdarma

EntityRuler s více vzory v spaCy

EntityRuler ti umožňuje přidávat entity do doc.ents a zlepšovat výkon rozpoznávání pojmenovaných entit. V tomto cvičení si procvičíš přidání komponenty EntityRuler do existujícího pipeline nlp, aby byly více entity správně klasifikovány.

Model en_core_web_sm je už načtený a dostupný jako nlp. Ukázkový text najdeš v proměnné example_text; pomocí nlp a doc pak přistoupíš k modelu spaCy a kontejneru Doc pro example_text.

Toto cvičení je součástí kurzu

Zpracování přirozeného jazyka s knihovnou spaCy

Zobrazit kurz

Pokyny k cvičení

  • Vypiš seznam n-tic obsahujících text a typ entit v example_text pomocí modelu nlp.
  • Definuj více vzorů pro párování slov brother a sisters (malými písmeny) s návěštím PERSON.
  • Přidej komponentu EntityRuler do pipeline nlp a přidej do ní patterns.
  • Vypiš n-tice textu a typů entit pro example_text s použitím modelu nlp.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

nlp = spacy.load("en_core_web_md")

# Print a list of tuples of entities text and types in the example_text
print("Before EntityRuler: ", [____ for ____ in nlp(____).____], "\n")

# Define pattern to add a label PERSON for lower cased sisters and brother entities
patterns = [{"label": ____, "pattern": [{"lower": ____}]},
            {"label": ____, "pattern": [{"lower": ____}]}]

# Add an EntityRuler component and add the patterns to the ruler
ruler = nlp.____("entity_ruler")
ruler.____(____)

# Print a list of tuples of entities text and types
print("After EntityRuler: ", [(ent.____, ent.____) for ent in nlp(example_text).____])
Upravit a spustit kód