Question

我正在解决这个问题，其中文本数据位于文档文件中，结果 5 个标签位于 csv 文件中。因此，要训练 spaCy NER 模型，我们必须将 dtaa 标记为：

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

但我的数据在 csv 文件中，例如：

我编写了一个函数，它将搜索文本中第一次出现的 col query 并添加长度。类似的东西：

train_data = []
for i,index in enumerate(df.index.tolist()):
    row_data = df.iloc[i,:].values.tolist()
    entities = {"entities":[]}
    for file in dir_files:
        if file.split('.')[0] == row_data[0]:
            text = preprocess(textract.process("./Training_data/"+file))
            
            for j,entry in enumerate(row_data[1:]):
                
                if not pd.isna(entry):
                    if isinstance(entry,str): # takes care of null values
                        entities['entities'].append((text.find(str(entry).strip()),len(str(entry)),ent_names[j]))

结果是

{'entities': [(-1, 7, 'Aggrement Value'),
  (-1, 10, 'Aggrement Start Date'),
  (-1, 10, 'Aggrement End Date'),
  (-1, 4, 'Renewal Notice (Days)'),
  (124, 22, 'Party One'),
  (540, 45, 'Party Two')]}

STRING 给了我不错的结果，但我有一个很大的日期问题，因为格式为 12.08.2018，价格为格式 6000.00。我无法直接比较，所以我必须更改价格 str(int(price)) 然后匹配。它会起作用，但日期永远不会采用 CSV 中给出的格式。有点像1stDAY OF SEPTEMBER 2018 TWO THOUSAND EIGHTEEN。我应该如何以格式标记那个？

我尝试使用 Spacy's 内置 NER 以便我可以弄清楚，但它没有给我很好的结果。

nlp = spacy.load('en_core_web_sm')
doc = nlp(preprocess(text))
displacy.render(nlp(doc.text),style='ent',jupyter=True)

它给了我类似的东西：

我如何标记我的数据，因为如果没有正确标记日期，一切都是徒劳的，因为无论如何它永远不会学会获取日期。有没有 Regular expression RE 或者我看到 NLTK POS based Queries to extract NER 给了我们类似的东西：

Answer 1

如果我正确理解您的问题，您需要稳健地解析主要以全文形式给出的日期。

要标准化此类日期，您可以尝试使用 dateutil、maya、pendulum 或 arrow 库之一。您可以在 here 中找到这些库的可能性的很好的演示。

如果您的问题也是在文本中标记日期，那么它会更微妙一些，如果 SpaCy / NLTK 不适合您的目的，您将不得不训练这样的模型。理论上，您还可以实现许多正则表达式，但这很容易出错并且需要数月才能完成。 AFAIK，没有可用的可靠实现。

如何使用 SpaCy 更改自定义 NER 模型再训练的训练数据格式？

1 个答案: