Vergleich von NLTK mit spaCy NER

Mit demselben Text, den du in der ersten Übung dieses Kapitels verwendet hast, siehst du nun die Ergebnisse mit dem NER Annotator von SpaCy. Wie werden sie sich vergleichen?

Der Artikel wurde als article vorgeladen. Um die Ausführungszeiten zu minimieren, wirst du beim Laden des SpaCy-Modells aufgefordert, das Schlüsselwortargument disable=['tagger', 'parser', 'matcher'] anzugeben, da du dich in dieser Übung nur für entity interessierst.

Diese Übung ist Teil des Kurses

Einführung in die natürliche Sprachverarbeitung in Python

Kurs anzeigen

Anleitung zur Übung

  • Importiere spacy.
  • Lade das Modell 'en_core_web_sm' mit spacy.load(). Gib die zusätzlichen Schlüsselwortargumente disable=['tagger', 'parser', 'matcher'] an.
  • Erstelle ein spacy Dokumentenobjekt, indem du article an nlp() übergibst.
  • Verwende ent als Iteratorvariable, iteriere über die Entitäten von doc und drucke die Beschriftungen (ent.label_) und den Text (ent.text) aus.

Interaktive Übung zum Anfassen

Probieren Sie diese Übung aus, indem Sie diesen Beispielcode ausführen.

# Import spacy
____

# Instantiate the English model: nlp
nlp = ____

# Create a new document: doc
doc = ____

# Print all of the found entities and their labels
for ____ in ____:
    print(____, ____)