BaşlayınÜcretsiz Başlayın

spaCy'de çoklu desenlerle EntityRuler

EntityRuler, varlıkları doc.ents içine eklemene ve adlandırılmış varlık tanıma performansını artırmana olanak tanır. Bu egzersizde, birden fazla varlığın doğru sınıflandırıldığından emin olmak için mevcut bir nlp işlem hattına (pipeline) bir EntityRuler bileşeni eklemeyi pratik edeceksin.

en_core_web_sm modeli zaten yüklü ve nlp olarak kullanımına hazır. example_text içinde bir örnek metne erişebilir ve sırasıyla nlp ve doc ile spaCy modeline ve example_text'in Doc kabına erişebilirsin.

Bu egzersiz

spaCy ile Natural Language Processing

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

  • nlp modeliyle example_text içindeki varlıkların metin ve türlerinden oluşan tuple listesini yazdır.
  • Küçük harfle yazılmış brother ve sisters sözcüklerini PERSON etiketiyle eşleyecek birden fazla desen tanımla.
  • nlp işlem hattına bir EntityRuler bileşeni ekle ve patterns listesini EntityRuler'a ekle.
  • nlp modeliyle example_text için varlıkların metin ve türlerinden oluşan tuple listesini yazdır.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

nlp = spacy.load("en_core_web_md")

# Print a list of tuples of entities text and types in the example_text
print("Before EntityRuler: ", [____ for ____ in nlp(____).____], "\n")

# Define pattern to add a label PERSON for lower cased sisters and brother entities
patterns = [{"label": ____, "pattern": [{"lower": ____}]},
            {"label": ____, "pattern": [{"lower": ____}]}]

# Add an EntityRuler component and add the patterns to the ruler
ruler = nlp.____("entity_ruler")
ruler.____(____)

# Print a list of tuples of entities text and types
print("After EntityRuler: ", [(ent.____, ent.____) for ent in nlp(example_text).____])
Kodu Düzenle ve Çalıştır