知识卡片

普通读书笔记卡 · 6644.a.1.cv · 生成模型:未记录

专名词性只能提供实体线索

理解等级:中级

NNP可提示专名,不能同时给出实体跨多个词的边界、PERSON/地点分类或现实身份。Brown专名码NP与Penn的NNP不同,None表示当前模型无法给标签,不证明该词从未在任何地方训练过。John/NY/Germany示例只展示线索与有限词表的覆盖;NER还需自己的输出约定和评估,不能把所有NNP无条件当完整实体。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《Python编程精进(第1辑)(套装共3册)(异步图书)》精通Python自然语言处理 · 第6章 语义分析:意义很重要,spine060单元007;来源项目book-sources,extracted/Python编程精进(第1辑)(套装共3册)(异步图书)/_epub-src/OEBPS/text00059.html。 - 结论依据:原文Penn句与Brown一元模型输出对照,不同标签和None揭示“NNP就是实体”过强,前节定义还要求类别与范围。未在本机运行示例或改变环境。 - 原始内容:,那么使用词性信息就可以识别出命名实体。用NNP标记标注的标识符就是命名实体。 考虑如下NLTK中的示例,它使用词性标注来执行NER: >>> import nltk >>> from nltk import pos_tag, word_toke