Comparer la NER de NLTK et de spaCy
En reprenant le même texte que vous avez utilisé dans le premier exercice de ce chapitre, vous allez maintenant observer les résultats avec l'annotateur de NER de spaCy. Comment se comparent-ils?
L'article a été préchargé sous le nom article. Pour réduire le temps d'exécution, on vous demande d'indiquer l'argument nommé disable=['tagger', 'parser', 'matcher'] lors du chargement du modèle spaCy, puisque dans cet exercice, ce qui vous intéresse, ce sont uniquement les entity.
Cette activité fait partie du cours
Introduction au traitement du langage naturel en Python
Instructions de l’exercice
- Importez
spacy. - Chargez le modèle
'en_core_web_sm'avecspacy.load(). Indiquez les arguments nommés supplémentairesdisable=['tagger', 'parser', 'matcher']. - Créez un objet document
spacyen passantarticleànlp(). - En utilisant
entcomme variable d'itération, parcourez les entités dedocet affichez les étiquettes (ent.label_) et le texte (ent.text).
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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(____, ____)