Spacy：尝试设置冲突的文档：令牌只能是一个实体的一部分，因此请确保您设置的实体不重叠

Question

我尝试使用 spacy 从文本中提取所需的自定义实体。

import spacy
from spacy_lookup import Entity
data = {0:["count"],1:["unique count","unique"]}

def processText(text):
    nlp = spacy.blank('en')
    for i,arr in data.items():
        fLabel = "test:"+str(i)
        fEntitty = Entity(keywords_list=list(set(arr)),label=fLabel)
        fEntitty.name = fLabel
        nlp.add_pipe(fEntitty)
    match_doc = nlp(text)
    print(match_doc.ents)
processText("unique count of city")

但上面的代码抛出了类似的错误

ValueError: [E103] Trying to set conflicting doc.ents: '(1, 2, 'test:0')' and '(0, 2, 'test:1')'. A token can only be part of one entity, so make sure the entities you're setting don't overlap.

不仅是这个案例，还有同样的人名问题，比如 Karthik vs Karthik reddy、Jon vs Jon Allen 任何人都可以帮我解决这个问题。

提前致谢！！

Answer 1

在 spaCy 中，命名实体永远不能重叠。如果“Jon Allen”是一个名字，则不应将“John”也注释为一个名字。因此，在训练之前，您必须解决这些重叠/冲突的情况。

在评论中讨论后进行编辑：您需要实现一个on_match函数来过滤掉与非重叠集的匹配项。