spaCy EntityRuler

Procesarea limbajului natural cu spaCy

Azadeh Mobasher

Principal Data Scientist

spaCy EntityRuler

EntityRuler adaugă entități denumite într-un container Doc
Poate fi utilizat independent sau împreună cu EntityRecognizer
Șabloane de entități tip frază pentru potriviri exacte de șiruri (string):

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

Șabloane de entități tip token cu câte un dicționar per token (list):

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

Adăugarea EntityRuler în pipeline-ul spaCy

Se utilizează metoda .add_pipe()
Lista de șabloane poate fi adăugată cu metoda .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)

Adăugarea EntityRuler în pipeline-ul spaCy

.ents stochează rezultatele componentei 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 în acțiune

Se integrează cu componentele pipeline-ului spaCy
Îmbunătățește recunoașterea entităților denumite
Model spaCy fără 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 în acțiune

EntityRuler adăugat după componenta ner existentă:

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 în acțiune

EntityRuler adăugat înaintea componentei ner existente:

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')]

Să exersăm!

Procesarea limbajului natural cu spaCy