问题描述
我不确定我是否完全理解 spacy 如何识别文本中的命名实体，尤其是日期。
我正在尝试在文本文档中提取教育 + 相应日期。我有这样的东西
text = 'University of A 2019 - 2020
University of B 2016 - 2019
College A 2013 - 2016
College B 2008 - 2013'
doc = nlp(text)
for ent in doc.ents:
print(ent.text,ent.label_)
哪个给我作为输出：
University of A ORG
University of B ORG
2016 - 2019 DATE
2013 - 2016 DATE
2008 - 2013 DATE
不出所料，大学被认为是组织，我希望 spacy 不会承认大学，因为它不如大学名称那么明显。但是我不明白为什么我失去了第一次约会，但所有其他人都可以正常工作。
我尝试了另一个类似这样的文本：
1997 : any text
1998 : any text
1999 : any text
...
2018 : any text
这里可以识别除 2013 和 2018 之外的所有日期，尽管行的格式与所有其他日期相同。
有没有办法训练 spacy 更好地识别日期，或者我应该使用其他工具吗？我已经在同一程序的其他部分使用 spacy。我现在没有使用正则表达式，因为日期可以采用多种不同的格式（只有年份、年初 - 年末，有时也有几个月和几天等）
解决方法
您需要一种功能更丰富的模型类型，带有 _md 或 _lg 后缀的 spacy 2.x 和 _trf 后缀的 spacy 3.x。
例如，您可以安装
python -m spacy download en_core_web_trf
然后，你可以使用
import spacy
nlp = spacy.load('en_core_web_trf')
text = '''University of A 2019 - 2020
University of B 2016 - 2019
College A 2013 - 2016
College B 2008 - 2013'''
doc = nlp(text)
for ent in doc.ents:
print(ent.text,ent.label_)
输出：
2019 - 2020 DATE
2016 - 2019 DATE
2013 - 2016 DATE
2008 - 2013 DATE