spaCy EntityRuler

Naturlig språkbehandling med spaCy

Azadeh Mobasher

Principal Data Scientist

spaCy EntityRuler

EntityRuler lägger till namngivna entiteter i en Doc-behållare
Den kan användas fristående eller kombineras med EntityRecognizer
Frasentitetsmönster för exakta strängmatchningar (sträng):

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

Tokenentitetsmönster med en ordlista per token (lista):

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

Lägga till EntityRuler i spaCy-pipeline

Läggs till via metoden .add_pipe()
Mönster läggs till som en lista med metoden .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)

Lägga till EntityRuler i spaCy-pipeline

.ents lagrar resultaten från en EntityLinker-komponent

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 i praktiken

Integreras med spaCy-pipelinekomponenter
Förbättrar igenkänningen av namngivna entiteter
spaCy-modell utan 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 i praktiken

EntityRuler tillagd efter befintlig ner-komponent:

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 i praktiken

EntityRuler tillagd före befintlig ner-komponent:

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')]

Nu kör vi en övning!

Naturlig språkbehandling med spaCy