使用Spacy en_core_web_lg模型的POS标记不一致

Question

• 使用 en_core_web_lg 模型以预期的方式对PROPN的POS标记不起作用。

• POS标记使用 _md 模型更可预测。

给出（格式不正确的）句子： “ CK7，CK-20，GATA 3，PSA均为阴性。”

使用_lg模型时，“ CK7”被标记为NOUN（NNS）。

使用_md模型时，“ CK7”被标记为PROPN（NNP）。 这是正确的。

使用 _lg 模型并在句子中将“ CK7”替换为：

• “ CK1”标记为PROPN

• “ CK2”标记为PROPN

• “ CK3”，“ CK4”标记为PROPN

• “ CK5”标记为 ADJ

• “ CK6”标记为PROPN

• “ CK7”标记为名词

• “ CK8”标记为PROPN

• “ CK9”标记为 ADP

• “ CK22”，“ CK222”，标记为PROPN

在使用 _md 模型并如上所述替换“ CK7”时，所有标签均被标记为PROPN，符合预期。

由于我要分析的句子中的最个，形成的差，我认为 _lg 模型的“更深层次” 依赖项解析会更好，只能通过 POS标记找到上述问题。

请告知：

1. 在使用en_core_web_lg模型时如何处理违反直觉的POS标签？
2. 哪种模型最适合解析依存格式的句子？

非常感谢您。

Answer 1

因此，这不是您问题的直接答案，但是，如果您使用的是生物医学数据，则可以尝试以下软件包： scispacy

它没有将CK-7标记为专有名词，但是它可以将许多这类术语作为实体处理，请参阅支持不同标记集的各种其他NER模型。它仍在开发中，您可能仍需要为数据添加特殊情况/例外，但我认为您会看到比标准spacy模型更好，更一致的结果。