问题描述
我正在开展一个项目来训练分类器来识别文本中的引文。我们正在处理的引文往往非常混乱。以下是一些引用示例:
- 参见 A 书第 3 章第 7 段
- 见 A 册第 3 章第 7 段
- 参见 A 册“某些章节标题”一章,第 7 段
我们已经确定了少数倾向于出现在这些引文中的实体。例如,“书名”、“章号”、“章名”、“段号”。
该项目有两个阶段:
Spacy(我们使用的是 v3)是否可以有两个连续的 NER 管道?我希望分类器首先标记引文,然后才标记每个引文中的实体。
我能够使用以下代码实例化具有两个 NER 管道的模型:
from spacy.lang.en import English
nlp = English()
nlp.add_pipe("ner",name="ner1",last=True)
ner1 = nlp.get_pipe("ner1")
ner1.add_label("Citation")
nlp.add_pipe("ner",name="ner2",last=True)
ner2 = nlp.get_pipe("ner2")
for label in ["Book Title","Chapter Number","Chapter Name","Paragraph Number"]:
ner2.add_label(label)
我的问题是如何分别训练每个 NER 管道。通常,Spacy 需要以下形状的数据来训练 NER:
{
"text": <TEXT>,"spans": [<LIST OF NAMED ENTITY SPANS>]
}
如何区分训练数据中每个管道的数据?
解决方法
这有几个部分。
- 您可以在一个 spaCy 管道中使用两个 NER 组件,但由于问题 2 和 3,这不会按照您希望的方式工作。
- Pipelines 在训练下游组件期间无法设置注释。这是一个正在解决的限制,应该很快得到解决。
- NER 注释不能重叠。这是一个设计决定,不会很快改变。它可以通过自定义组件解决,但需要额外的工作。
我希望分类器首先标记引文,然后才标记每个引文中的实体。
您实际上是否需要单独使用整个引文标签,还是出于某种原因将其设计为两阶段过程以提高性能?如果是后者,我就先尝试训练第二阶段的详细注释,看看你是否真的有问题;我怀疑一个两阶段的过程实际上会让事情变得更容易。
如果您确实需要整个“引文”,那么您可以将详细实体的链提取到单个跨度中,无需为此创建单独的模型。
我建议您仔细阅读文档中关于 Combining Models and Rules 的部分。它有一些示例,例如扩展个人姓名以包含先生或博士等头衔,或使用依赖项解析信息,这些示例似乎适用于您的问题。