spaCy EntityRuler

Zpracování přirozeného jazyka s knihovnou spaCy

Azadeh Mobasher

Principal Data Scientist

spaCy EntityRuler

EntityRuler přidává pojmenované entity do kontejneru Doc
Lze použít samostatně nebo spolu s EntityRecognizer
Frazové vzory entit pro přesnou shodu řetězce (string):

{"label": "ORG", "pattern": "Microsoft"}

Tokenové vzory entit – každý slovník popisuje jeden token (list):

{"label": "GPE", "pattern": [{"LOWER": "san"}, {"LOWER": "francisco"}]}

Přidání EntityRuler do pipeline spaCy

Přidání pomocí metody .add_pipe()
Vzory se přidávají metodou .add_patterns()

nlp = spacy.blank("en")
entity_ruler = nlp.add_pipe("entity_ruler")
patterns = [{"label": "ORG", "pattern": "Microsoft"},
            {"label": "GPE", "pattern": [{"LOWER": "san"}, {"LOWER": "francisco"}]}]
entity_ruler.add_patterns(patterns)

Přidání EntityRuler do pipeline spaCy

.ents uchovává výsledky komponenty EntityLinker

doc = nlp("Microsoft is hiring software developer in San Francisco.")
print([(ent.text, ent.label_) for ent in doc.ents])

[('Microsoft', 'ORG'), ('San Francisco', 'GPE')]

EntityRuler v praxi

Integruje se s komponenty pipeline spaCy
Rozšiřuje rozpoznávač pojmenovaných entit
Model spaCy bez EntityRuler:

nlp = spacy.load("en_core_web_sm")

doc = nlp("Manhattan associates is a company in the U.S.")
print([(ent.text, ent.label_) for ent in doc.ents])

>>> [('Manhattan', 'GPE'), ('U.S.', 'GPE')]

EntityRuler v praxi

EntityRuler přidán za existující komponent ner:

nlp = spacy.load("en_core_web_sm")
ruler = nlp.add_pipe("entity_ruler", after='ner')
patterns = [{"label": "ORG", "pattern": [{"lower": "manhattan"}, {"lower": "associates"}]}]
ruler.add_patterns(patterns)

doc = nlp("Manhattan associates is a company in the U.S.")
print([(ent.text, ent.label_) for ent in doc.ents])

>>> [('Manhattan', 'GPE'), ('U.S.', 'GPE')]

EntityRuler v praxi

EntityRuler přidán před existující komponent ner:

nlp = spacy.load("en_core_web_sm")
ruler = nlp.add_pipe("entity_ruler", before='ner')
patterns = [{"label": "ORG", "pattern": [{"lower": "manhattan"}, {"lower": "associates"}]}]
ruler.add_patterns(patterns)

doc = nlp("Manhattan associates is a company in the U.S.")
print([(ent.text, ent.label_) for ent in doc.ents])

>>> [('Manhattan associates', 'ORG'), ('U.S.', 'GPE')]

Pojďme cvičit!

Zpracování přirozeného jazyka s knihovnou spaCy