Récapitulatif

Traitement du langage naturel avec spaCy

Azadeh Mobasher

Principal data scientist

Chapitre 1 - Introduction au NLP et à spaCy

Utiliser les pipelines de traitement de texte de spaCy pour extraire des caractéristiques linguistiques :

Pipeline linguistique spaCy

Manipuler les classes de spaCy comme Doc, Token et Span, et prédire des similarités sémantiques avec des vecteurs de mots :

Analogie et opérations vectorielles

Écrire des motifs de correspondance pour extraire des termes et des expressions avec le Matcher et le PhraseMatcher de spaCy :

matcher = Matcher(nlp.vocab)
pattern = [{"LOWER": "good"}, {"LOWER": {"IN": ["morning", "evening"]}}]
matcher.add("morning_greeting", [pattern])

matcher = PhraseMatcher(nlp.vocab, attr = "LOWER")
patterns = [nlp.make_doc(term) for term in terms]
matcher.add("InvestmentTerms", patterns)

Exemple de NER dans le domaine médical

Traitement du langage naturel avec spaCy