Comparer la reconnaissance d’entités nommées de NLTK et de spaCy
En réutilisant le même texte que dans le premier exercice de ce chapitre, vous allez cette fois examiner les résultats avec l’annotateur de reconnaissance d’entités nommées (NER) de spaCy. Comment vont-ils se comparer ?
L’article a déjà été chargé dans article. Pour réduire le temps d’exécution, il vous est demandé de préciser l’argument nommé disable=['tagger', 'parser', 'matcher'] lors du chargement du modèle spaCy, car dans cet exercice vous vous concentrez uniquement sur entity.
Cet exercice fait partie du cours
Introduction au Natural Language Processing (NLP) en Python
Instructions
- 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 leurs libellés (ent.label_) et leur texte (ent.text).
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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(____, ____)