rozdzielacz zdań spacy w Pythonie

Question

Chciałbym użyć spacydo wyciągnięcia zdań z tekstu.

nlp = English()  # just the language with no model
sentencizer = nlp.create_pipe("sentencizer")
nlp.add_pipe(sentencizer)
doc = nlp("This is a sentence. This is another sentence.")
for sent in doc.sents:
    print(sent.text)

Czy można zwiększyć niezawodność dzielnika zdań omijającego reguły, ponieważ na przykład nigdy nie dzieli zdania po akronimie typu „nie”.

Wyobraź sobie, oczywiście, że mam kilka bardzo technicznych i szczegółowych akronimów.
Jak byś postąpił?

Answer 1

Możesz napisać funkcję niestandardową, która zmienia domyślne zachowanie, stosując podejście oparte na regułach, polegające na dzieleniu zdań. Na przykład:

import spacy

text = "The formula is no. 45. This num. represents the chemical properties."

nlp = spacy.load("en_core_web_sm")
doc = nlp(text)
print("Before:", [sent.text for sent in doc.sents])

def set_custom_boundaries(doc):
    pattern_a = ['no', 'num']
    for token in doc[:-1]:
        if token.text in pattern_a and doc[token.i + 1].text == '.':
            doc[token.i + 2].is_sent_start = False
    return doc

nlp.add_pipe(set_custom_boundaries, before="parser")
doc = nlp(text)
print("After:", [sent.text for sent in doc.sents])

To da ci pożądany podział zdania.

Before: ['The formula is no.', '45.', 'This num.', 'represents the chemical properties.']
After: ['The formula is no. 45.', 'This num. represents the chemical properties.']