Reconnaissance d'entités nommées

Feature Engineering pour le NLP en Python

Rounak Banik

Data Scientist

Applications

  • Algorithmes de recherche efficaces
  • Réponse automatique aux questions
  • Classification d'articles de presse
  • Service client
Feature Engineering pour le NLP en Python

Reconnaissance d'entités nommées

  • Identifier et classer les entités nommées en catégories prédéfinies.
  • Exemples : personne, organisation, pays, etc.
    "John Doe is a software engineer working at Google. He lives in France."
  • Entités nommées
  • John Doe → personne
  • Google → organisation
  • France → pays (entité géopolitique)
Feature Engineering pour le NLP en Python

NER avec spaCy

import spacy
string = "John Doe is a software engineer working at Google. He lives in France."

# Load model and create Doc object
nlp = spacy.load('en_core_web_sm')
doc = nlp(string)


# Generate named entities
ne = [(ent.text, ent.label_) for ent in doc.ents]
print(ne)

[('John Doe', 'PERSON'), ('Google', 'ORG'), ('France', 'GPE')]
Feature Engineering pour le NLP en Python

Annotations NER dans spaCy

Documentation spaCy sur les annotations NER

Feature Engineering pour le NLP en Python

Petit avertissement

  • Pas parfait
  • Performances dépendantes des données d'entraînement et de test
  • Entraîner des modèles avec des données spécialisées pour les cas nuancés
  • Spécifique à la langue
Feature Engineering pour le NLP en Python

Passons à la pratique !

Feature Engineering pour le NLP en Python

Preparing Video For Download...