为 SpaCy NER 格式化训练数据集
Posted
技术标签:
【中文标题】为 SpaCy NER 格式化训练数据集【英文标题】:Formatting training dataset for SpaCy NER 【发布时间】:2018-05-06 17:44:45 【问题描述】:我想用我自己的实体为 NER 训练一个空白模型。为此,我需要使用一个数据集,该数据集当前为 .csv 格式,并具有以下格式的实体标签(我将为每个相关列提供一个示例行):
列:句子
价值:我想要苹果
列:数据
值:['want;@command;2;6','apples';@fruit;7;13']
列:实体
值:我@command @fruit
列:实体类型
值:@bot/@command;@bot/@food/@fruit
为了训练 SpaCy 的 NER,我需要以下格式的 json 格式的训练数据:
TRAIN_DATA = [
('Who is Shaka Khan?',
'entities': [(7, 17, 'PERSON')]
),
('I like London and Berlin.',
'entities': [(7, 13, 'LOC'), (18, 24, 'LOC')]
)
]
Link to the relevant part in the SpaCy Docs
我试图找到一种解决方案,以解决如何将 csv 中的数据重新格式化为 SpaCy 所需的格式,但到目前为止我还没有成功。数据集确实包含所有必要的信息 - 文本字符串、实体名称、实体类型、实体偏移量 - 但我根本不知道如何以正确的形式获取它们。
我将不胜感激有关如何完成此任务的任何和所有帮助!
【问题讨论】:
【参考方案1】:您的问题不是 100% 清楚您是否还询问 CSV 提取 - 所以我假设这不是问题。 (如果是,这应该很容易使用csv
模块实现。如果 CSV 数据很混乱并且包含一堆组合在一个字符串中的东西,您可能需要调用split
并执行哈克方式。)
如果您能够以这样的格式提取“句子”和“数据”列,那么您实际上已经非常接近 spaCy 的训练格式了:
[
'sentence': 'I want apples'
'data': [('want', '@command', 2, 6) ('apples', '@fruit', 7, 13)]
]
与 spaCy 相比,您的数据对结束字符的计数似乎不同,并且偏移量为 +1
。所以你必须通过减去1
来调整它。我可能会让这比它应该的更冗长,但我希望这会让它更容易理解:
TRAIN_DATA = []
for example in your_extracted_data: # see example above
entities = []
for entity in example['data']: # iterate over the entities
text, label, start, end = entity # ('want', '@command', 2, 6)
label = label.split('@')[1].upper() # not necessary, but nicer
end = end - 1 # correct the end character index
entities.append((start, end, label))
# add training example of (text, annotations) tuple
TRAIN_DATA.append((example['sentence'], 'entities': entities))
这应该会为您提供如下所示的训练数据:
[
('I want apples', 'entities': [(2, 5, 'COMMAND'), (7, 12, 'FRUIT')])
]
【讨论】:
非常感谢,您的回答确实帮助了我,这正是我想要弄清楚的!我可以看到代码如何处理提取的数据,但我仍然缺少 CSV 提取过程中的一个步骤,如果您或其他任何阅读本文的人可以为我指明正确的方向,我将不胜感激:正如您所说, CSV 确实在一个字符串中包含一堆东西,但我设法破解了所有内容,给我留下了一个 pandas df,其中包含一个sentence
列和 10 个 data
列(因为有些句子包含多达 10 个不同的实体。跨度>
因此,data
单元格包含'want', '@command', 2, 6
或NaN
之类的内容。我仍然不清楚的是我如何将这个 pandas 数据框转换为您作为示例提供的格式。或者,更具体地说,这种格式是什么,我应该用谷歌搜索哪些术语来了解如何将 df 转换为它。我是否正确地假设它由嵌套在字典中的列表中嵌套的元组组成?
是的——所需的格式是一个元组列表,包含一个字符串(文本)和一个字典。字典有一个条目'entities'
,它的值是一个由两个整数(开始和结束索引)和一个字符串(标签)组成的元组(三元组)列表。我对 pandas 数据框不是很熟悉,但它绝对是一个常见的用例——所以我相信你能弄清楚这一点。即使你只能提取长字符串——只要它们的格式一致,你总是可以使用split
、strip
等在Python中编写一个hacky转换器脚本。以上是关于为 SpaCy NER 格式化训练数据集的主要内容,如果未能解决你的问题,请参考以下文章