La reconnaissance d'entités nommées (NER) avec spaCy
La reconnaissance d'entités nommées (NER) permet d'identifier facilement les éléments clés d'un document, comme les noms de personnes et de lieux. Elle aide à structurer des données non structurées et à repérer l'information importante, ce qui est essentiel lorsque vous traitez de grands ensembles de données. Dans cet exercice, vous allez vous exercer à la reconnaissance d'entités nommées.
en_core_web_sm a été chargé pour vous sous le nom nlp. Trois commentaires du jeu de données Airline Travel Information System (ATIS) vous sont fournis dans une liste appelée texts.
Cette activité fait partie du cours
Traitement du langage naturel avec spaCy
Instructions de l’exercice
- Constituez
documents, une liste de tous les conteneursDocpour chaque texte detextsau moyen d'une compréhension de liste. - Pour chaque conteneur
doc, affichez le texte de chaque entité et son étiquette correspondante en itérant surdoc.ents. - Affichez le texte du sixième jeton ainsi que le type d'entité du deuxième conteneur
Doc.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Compile a list of all Doc containers of texts
documents = [____ for text in texts]
# Print the entity text and label for the entities in each document
for doc in documents:
print([(____, ____) for ent in ____])
# Print the 6th token's text and entity type of the second document
print("\nText:", documents[1][5].____, "| Entity type: ", documents[1][5].____)