Question

这是经典的训练格式。

TRAIN_DATA = [
    ("Who is Shaka Khan?", {"entities": [(7, 17, "PERSON")]}),
    ("I like London and Berlin.", {"entities": [(7, 13, "LOC"), (18, 24, "LOC")]}),
]

我曾经使用代码进行训练，但是据我了解，使用CLI训练方法会更好。但是，我的格式是这样。

我已经找到了用于这种类型转换的代码段，但是每个代码段都在执行spacy.load('en')而不是空白-这让我觉得，他们是在训练现有模型而不是空白吗？

这个块看起来很简单：

import spacy
from spacy.gold import docs_to_json
import srsly

nlp = spacy.load('en', disable=["ner"]) # as you see it's loading 'en' which I don't have
TRAIN_DATA = #data from above

docs = []
for text, annot in TRAIN_DATA:
    doc = nlp(text)
    doc.ents = [doc.char_span(start_idx, end_idx, label=label) for start_idx, end_idx, label in annot["entities"]]
    docs.append(doc)

srsly.write_json("ent_train_data.json", [docs_to_json(docs)])

运行此代码会抛出提示：找不到模型'en'。它似乎不是快捷方式链接，Python包或数据目录的有效路径。

我很困惑如何与空白的spacy train一起使用。只需使用spacy.blank('en')？但是disable=["ner"]标志呢？

编辑：

如果我尝试使用spacy.blank('en')，则会收到无法从spacy.lang导入语言目标：没有名为'spacy.lang.en'的模块

编辑2 ：我尝试加载en_core_web_sm

nlp = spacy.load('en_core_web_sm')

docs = []
for text, annot in TRAIN_DATA:
    doc = nlp(text)
    doc.ents = [doc.char_span(start_idx, end_idx, label=label) for start_idx, end_idx, label in annot["entities"]]
    docs.append(doc)

srsly.write_json("ent_train_data.json", [docs_to_json(docs)])

TypeError：类型为'NoneType'的对象没有len（）

Ailton-print(text[start:end])

目标！ FK Qarabag 1，地拉那Partizani0。菲利普·奥佐比奇-FK Qarabag-头部从禁区中央到球门中央。辅助-艾尔顿-print(text)

无-doc.ents =...行

TypeError：类型为'NoneType'的对象没有len（）

编辑3 ：From Ines' comment

nlp = spacy.load('en_core_web_sm')

docs = []
for text, annot in TRAIN_DATA:

    doc = nlp(text)

    tags = biluo_tags_from_offsets(doc, annot['entities'])
    docs.append(doc)

srsly.write_json(train_name + "_spacy_format.json", [docs_to_json(docs)])

这创建了json，但是在生成的json中看不到任何标记的实体。

Answer 1

import spacy
import srsly
from spacy.training import docs_to_json, offsets_to_biluo_tags, biluo_tags_to_spans

TRAIN_DATA = [
    ("Who is Shaka Khan?", {"entities": [(7, 17, "PERSON")]}),
    ("I like London and Berlin.", {"entities": [(7, 13, "LOC"), (18, 24, "LOC")]}),
]

nlp = spacy.load('en_core_web_lg')
docs = []
for text, annot in training_sub:
    doc = nlp(text)
    tags = offsets_to_biluo_tags(doc, annot['entities'])
    entities = biluo_tags_to_spans(doc, tags)
    doc.ents = entities
    docs.append(doc)

srsly.write_json("spacy_format.json", [docs_to_json(docs)])

从 spaCy v3.1 开始，上述代码有效。 spacy.gold 中的一些相关方法已重命名并迁移到 spacy.training。

Answer 2

编辑3已结束，但是您缺少将实体添加到文档中的步骤。这应该起作用：

import spacy
import srsly
from spacy.gold import docs_to_json, biluo_tags_from_offsets, spans_from_biluo_tags

TRAIN_DATA = [
    ("Who is Shaka Khan?", {"entities": [(7, 17, "PERSON")]}),
    ("I like London and Berlin.", {"entities": [(7, 13, "LOC"), (18, 24, "LOC")]}),
]

nlp = spacy.load('en_core_web_sm')
docs = []
for text, annot in TRAIN_DATA:
    doc = nlp(text)
    tags = biluo_tags_from_offsets(doc, annot['entities'])
    entities = spans_from_biluo_tags(doc, tags)
    doc.ents = entities
    docs.append(doc)

srsly.write_json("spacy_format.json", [docs_to_json(docs)])

最好添加一个内置函数来执行此转换，因为通常希望将示例脚本（这只是简单的演示）转换为火车CLI。

修改：

您还可以略过间接使用内置BILUO转换器，并使用上面的功能：

    doc.ents = [doc.char_span(start_idx, end_idx, label=label) for start_idx, end_idx, label in annot["entities"]]

将Spacy培训数据格式转换为Spacy CLI格式（用于空白NER）

2 个答案: