เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

NER ด้วย spaCy

Named entity recognition (NER) ช่วยให้ระบุองค์ประกอบสำคัญในเอกสารได้อย่างรวดเร็ว เช่น ชื่อบุคคลและสถานที่ ฟีเจอร์นี้ช่วยจัดระเบียบข้อมูลที่ไม่มีโครงสร้าง และดึงข้อมูลที่สำคัญออกมา ซึ่งมีประโยชน์มากเมื่อต้องจัดการกับชุดข้อมูลขนาดใหญ่ ในแบบฝึกหัดนี้ จะได้ฝึกใช้งาน Named Entity Recognition

โหลด en_core_web_sm ให้เป็น nlp ไว้แล้ว และมีคอมเมนต์จากชุดข้อมูล Airline Travel Information System (ATIS) จำนวน 3 รายการอยู่ใน list ชื่อ texts

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การประมวลผลภาษาธรรมชาติด้วย spaCy

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้าง documents ซึ่งเป็น list ของ Doc container สำหรับแต่ละข้อความใน texts โดยใช้ list comprehension
  • วนลูปผ่าน doc.ents เพื่อพิมพ์ข้อความและ label ของแต่ละ entity ใน doc container แต่ละตัว
  • พิมพ์ข้อความของ token ตัวที่ 6 และประเภท entity ของ Doc container ตัวที่ 2

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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].____)
แก้ไขและรันโค้ด