是否有可能训练斯坦福NER系统识别更多命名的实体类型?

时间:2014-03-03 22:07:19

标签: nlp stanford-nlp named-entity-recognition

我现在正在使用一些NLP库,(stanford和nltk) 斯坦福我看过演示部分,但只是想问一下是否有可能用它来识别更多的实体类型。

因此,目前stanford NER系统(如演示所示)可以将实体识别为人(姓名),组织或位置。但被认可的组织仅限于大学或一些大型组织。我想知道我是否可以使用它的API为更多实体类型编写程序,例如,如果我的输入是“Apple”或“Square”,它可以将其识别为公司。

我是否必须制作自己的训练数据集?

此外,如果我想提取实体及其彼此之间的关系,我觉得我应该使用stanford依赖解析器。 我的意思是,首先提取命名实体和标记为“名词”的其他部分,并找出它们之间的关系。

我是否正确。

感谢。

3 个答案:

答案 0 :(得分:11)

是的,您需要自己的训练集。经过预先训练的斯坦福模型只识别“Stanford”这个词作为命名实体,因为他们已经接受了有关该词的数据的训练(或根据他们使用的特征集非常相似的词,我不知道那是什么)标记为命名实体。

获得更多数据后,需要将其设置为this question和斯坦福教程中描述的正确格式。

答案 1 :(得分:8)

您可以轻松训练自己的数据语料库。

在斯坦福NER常见问题中,第一个问题是如何训练我们自己的NER模型

链接为http://nlp.stanford.edu/software/crf-faq.shtml

例如,你可以提供像

这样的训练数据
  

产品OBJ
  O   微软ORG

同样,您可以构建自己的训练数据并构建模型,然后使用它来获得所需的输出

答案 2 :(得分:4)

似乎你想训练你的自定义NER模型。

以下是完整代码的详细教程:

https://dataturks.com/blog/stanford-core-nlp-ner-training-java-example.php?s=so

培训数据格式

训练数据作为文本文件传递,其中每一行是一个单词 - 标签对。行中的每个单词都应以“word \ tLABEL”之类的格式标记,单词和标签名称由制表符'\ t'分隔。对于文本句子,我们应该将其分解为单词,并为训练文件中的每个单词添加一行。要标记下一行的开头,我们在训练文件中添加一个空行。

以下是输入培训文件的示例:

hp  Brand
spectre ModelName
x360    ModelName

home    Category
theater Category
system  0

horizon ModelName
zero    ModelName
dawn    ModelName
ps4 0

根据您的域,您可以自动或手动构建此类数据集。手动构建这样的数据集可能非常痛苦,像NER注释工具这样的工具可以帮助简化流程。

训练模型

public void trainAndWrite(String modelOutPath, String prop, String trainingFilepath) {
   Properties props = StringUtils.propFileToProperties(prop);
   props.setProperty("serializeTo", modelOutPath);

   //if input use that, else use from properties file.
   if (trainingFilepath != null) {
       props.setProperty("trainFile", trainingFilepath);
   }

   SeqClassifierFlags flags = new SeqClassifierFlags(props);
   CRFClassifier<CoreLabel> crf = new CRFClassifier<>(flags);
   crf.train();

   crf.serializeClassifier(modelOutPath);
}

使用该模型生成代码:

public void doTagging(CRFClassifier model, String input) {
    input = input.trim();
    System.out.println(input + "=>"  +  model.classifyToString(input));
}  

希望这有帮助。