Membandingkan NER NLTK dengan spaCy

Menggunakan teks yang sama seperti pada latihan pertama di bab ini, Anda kini akan melihat hasil menggunakan anotator NER milik spaCy. Bagaimana perbandingannya?

Artikel telah dimuat sebelumnya sebagai article. Untuk meminimalkan waktu eksekusi, Anda diminta menentukan argumen kata kunci disable=['tagger', 'parser', 'matcher'] saat memuat model spaCy, karena dalam latihan ini Anda hanya memerlukan entity.

Latihan ini adalah bagian dari kursus

Pengantar Natural Language Processing di Python

Lihat Kursus

Petunjuk latihan

Impor spacy.
Muat model 'en_core_web_sm' menggunakan spacy.load(). Tentukan argumen kata kunci tambahan disable=['tagger', 'parser', 'matcher'].
Buat objek dokumen spacy dengan meneruskan article ke nlp().
Dengan menggunakan ent sebagai variabel iterator, iterasikan entitas pada doc dan cetak label (ent.label_) serta teks (ent.text).

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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(____, ____)

Edit dan Jalankan Kode