04-进阶方向:自然语言处理(NLP)——spaCy入门

news2026/4/29 6:01:48
spaCy入门工业级NLP管道、实体识别、依存分析一、spaCy概述1.1 为什么选择spaCyimportspacyimportnumpyasnpimportmatplotlib.pyplotaspltfrommatplotlib.patchesimportRectangle,FancyBboxPatchimportwarnings warnings.filterwarnings(ignore)print(*60)print(spaCy工业级NLP工具)print(*60)# spaCy vs NLTK对比fig,axesplt.subplots(1,2,figsize(12,5))# spaCyax1axes[0]ax1.axis(off)ax1.set_title(spaCy - 工业级,fontsize11)spacy_features[✓ 快速Cython实现,✓ 生产就绪,✓ 深度学习模型,✓ 完整管道,✓ 易于部署,]y_pos0.7forfeatinspacy_features:ax1.text(0.1,y_pos,feat,fontsize9,colorgreen)y_pos-0.1# NLTKax2axes[1]ax2.axis(off)ax2.set_title(NLTK - 学术/教育,fontsize11)nltk_features[○ 教学友好,○ 算法丰富,○ 语料库多,○ 速度较慢,○ 适合学习,]y_pos0.7forfeatinnltk_features:ax2.text(0.1,y_pos,feat,fontsize9,colorblue)y_pos-0.1plt.suptitle(spaCy vs NLTK,fontsize12)plt.tight_layout()plt.show()print(\n spaCy特点:)print( - 工业级速度Cython优化)print( - 预训练模型支持多语言)print( - 端到端NLP管道)print( - 易于集成到生产环境)二、spaCy基础2.1 安装与加载模型defspacy_basics():spaCy基础操作print(\n*60)print(spaCy基础操作)print(*60)print( # 安装 pip install spacy # 下载模型 python -m spacy download en_core_web_sm python -m spacy download zh_core_web_sm )code import spacy # 加载模型 nlp spacy.load(en_core_web_sm) # 处理文本 doc nlp(Apple is looking at buying U.K. startup for $1 billion) # 查看模型信息 print(f模型名称: {nlp.meta[name]}) print(f模型版本: {nlp.meta[version]}) print(f支持语言: {nlp.meta[lang]}) print(f管道组件: {nlp.pipe_names}) # 输出: # 模型名称: core_web_sm # 模型版本: 3.7.1 # 支持语言: en # 管道组件: [tok2vec, tagger, parser, ner, attribute_ruler, lemmatizer] print(code)spacy_basics()2.2 Doc对象defdoc_object():Doc对象详解print(\n*60)print(Doc对象NLP结果容器)print(*60)code import spacy nlp spacy.load(en_core_web_sm) text Steve Jobs founded Apple in Cupertino in 1976. doc nlp(text) # 1. 句子分割 print(f句子数量: {len(list(doc.sents))}) for sent in doc.sents: print(f 句子: {sent}) # 2. 分词 print(f\\nToken数量: {len(doc)}) for token in doc[:10]: print(f {token.text}) # 3. 词性标注 print(\\n词性标注:) for token in doc: print(f {token.text:12} → {token.pos_:8} ({token.tag_})) # 4. 依存句法分析 print(\\n依存关系:) for token in doc: print(f {token.text:12} → {token.dep_:10} ← {token.head.text}) # 5. 命名实体识别 print(\\n命名实体:) for ent in doc.ents: print(f {ent.text:20} → {ent.label_}) # 6. 词形还原 print(\\n词形还原:) for token in doc: print(f {token.text:12} → {token.lemma_:12}) # 7. 向量表示 print(f\\n向量维度: {doc.vector.shape}) print(f第一个词向量维度: {doc[0].vector.shape}) print(code)doc_object()三、实体识别NER3.1 内置实体类型defner_demo():命名实体识别print(\n*60)print(命名实体识别NER)print(*60)code import spacy from spacy import displacy nlp spacy.load(en_core_web_sm) # 1. 基本NER text Apple Inc.was founded by Steve Jobs,Steve Wozniak,andRonald WayneinApril1976.The companyisheadquarteredinCupertino,California. doc nlp(text) print(识别到的实体:) for ent in doc.ents: print(f {ent.text:25} → {ent.label_:10} ({spacy.explain(ent.label_)})) # 2. 实体类型说明 entity_types { PERSON: 人名, ORG: 组织/公司, GPE: 地缘政治实体国家、城市, LOC: 地理位置, DATE: 日期, TIME: 时间, MONEY: 金额, PERCENT: 百分比, PRODUCT: 产品, EVENT: 事件, } print(\\n常用实体类型:) for code, name in entity_types.items(): print(f {code}: {name}) # 3. 可视化NER # displacy.render(doc, styleent, jupyterTrue) # 4. 提取特定类型实体 persons [ent.text for ent in doc.ents if ent.label_ PERSON] orgs [ent.text for ent in doc.ents if ent.label_ ORG] dates [ent.text for ent in doc.ents if ent.label_ DATE] print(f\\n人物: {persons}) print(f组织: {orgs}) print(f日期: {dates}) print(code)ner_demo()3.2 可视化NERdefner_visualization():NER可视化print(\n*60)print(NER可视化)print(*60)code import spacy from spacy import displacy nlp spacy.load(en_core_web_sm) # 1. 基本可视化 text Elon Musk founded SpaceX in Hawthorne, California. doc nlp(text) # HTML输出 html displacy.render(doc, styleent, pageTrue) # 2. 自定义颜色 colors { PERSON: #FF6B6B, ORG: #4ECDC4, GPE: #45B7D1, } options { ents: [PERSON, ORG, GPE], colors: colors, } html displacy.render(doc, styleent, optionsoptions, pageTrue) # 3. 批量处理 texts [ Google is headquartered in Mountain View., Microsoft was founded by Bill Gates in Albuquerque., Amazon was founded by Jeff Bezos in Seattle. ] docs list(nlp.pipe(texts)) html displacy.render(docs, styleent, pageTrue) # 4. 保存为文件 with open(ner_visualization.html, w) as f: f.write(html) print(code)ner_visualization()四、依存句法分析4.1 依存关系defdependency_parsing():依存句法分析print(\n*60)print(依存句法分析)print(*60)code import spacy from spacy import displacy nlp spacy.load(en_core_web_sm) text The quick brown fox jumps over the lazy dog. doc nlp(text) # 1. 依存关系 print(依存关系分析:) print(f{Token:12} {POS:8} {Dep:12} {Head:12} {Children}) print(- * 60) for token in doc: children [child.text for child in token.children] print(f{token.text:12} {token.pos_:8} {token.dep_:12} f{token.head.text:12} {children}) # 2. 常用依存关系 dependency_types { nsubj: 名词性主语, dobj: 直接宾语, amod: 形容词修饰语, det: 限定词, prep: 介词修饰语, pobj: 介词宾语, aux: 助动词, conj: 连词连接, } print(\\n常用依存关系:) for dep, meaning in dependency_types.items(): print(f {dep}: {meaning}) # 3. 提取主语-谓语-宾语 def extract_svo(doc): 提取主谓宾结构 triples [] for token in doc: if token.dep_ nsubj: subject token.text verb token.head.text # 找宾语 obj None for child in token.head.children: if child.dep_ dobj: obj child.text break triples.append((subject, verb, obj)) return triples svo extract_svo(doc) print(f\\n主谓宾: {svo}) # 4. 可视化依存关系 # displacy.render(doc, styledep, jupyterTrue) print(code)dependency_parsing()4.2 依存关系可视化defdependency_viz():依存关系可视化print(\n*60)print(依存关系可视化)print(*60)code import spacy from spacy import displacy nlp spacy.load(en_core_web_sm) # 1. 基本依存可视化 text The cat sat on the mat. doc nlp(text) # 2. 自定义选项 options { compact: True, color: #4ECDC4, bg: #2C3E50, font: Arial, } html displacy.render(doc, styledep, optionsoptions, pageTrue) # 3. 设置距离 options {distance: 120} html displacy.render(doc, styledep, optionsoptions, pageTrue) # 4. 批量处理 texts [ I love natural language processing., The quick brown fox jumps over the lazy dog., ] docs list(nlp.pipe(texts)) html displacy.render(docs, styledep, pageTrue) # 5. 保存为SVG from spacy import displacy svg displacy.render(doc, styledep, options{fine_grained: True}) with open(dependency.svg, w) as f: f.write(svg) print(code)dependency_viz()五、spaCy管道5.1 管道组件defspacy_pipeline():spaCy管道print(\n*60)print(spaCy管道组件)print(*60)code import spacy nlp spacy.load(en_core_web_sm) # 1. 查看管道组件 print(f管道组件: {nlp.pipe_names}) print(f管道顺序: {nlp.pipeline}) # 2. 禁用组件加速 with nlp.disable_pipes(parser, ner): doc nlp(This is a fast processing without parser and NER.) print(f禁用后可用组件: {nlp.pipe_names}) # 3. 自定义组件 from spacy.language import Language Language.component(custom_component) def custom_component(doc): # 添加自定义处理逻辑 print(f处理文档: {doc.text[:50]}...) return doc # 添加组件 nlp.add_pipe(custom_component, beforener) # 4. 移除组件 nlp.remove_pipe(custom_component) # 5. 替换组件 nlp.replace_pipe(ner, custom_component) # 6. 组件顺序调整 nlp.move_pipe(ner, lastTrue) print(code)spacy_pipeline()5.2 自定义管道组件defcustom_pipeline_component():自定义管道组件print(\n*60)print(自定义管道组件)print(*60)code import spacy from spacy.language import Language # 1. 简单自定义组件 Language.component(entity_extractor) def entity_extractor(doc): # 提取特定模式 entities [] for token in doc: if token.like_email: entities.append((token.text, EMAIL)) elif token.like_url: entities.append((token.text, URL)) # 添加到doc扩展 doc._.custom_entities entities return doc # 添加扩展属性 from spacy.tokens import Doc Doc.set_extension(custom_entities, default[]) # 注册组件 nlp spacy.load(en_core_web_sm) nlp.add_pipe(entity_extractor, afterner) # 2. 带参数的组件 Language.component(keyword_extractor) def keyword_extractor(doc, min_length3, top_k5): # 统计词频 freq {} for token in doc: if (not token.is_stop and not token.is_punct and len(token.text) min_length): freq[token.lemma_] freq.get(token.lemma_, 0) 1 # 排序取top_k keywords sorted(freq.items(), keylambda x: x[1], reverseTrue)[:top_k] doc._.keywords keywords return doc Doc.set_extension(keywords, default[]) # 3. 工厂组件可配置 Language.factory(sentiment_analyzer) class SentimentAnalyzer: def __init__(self, nlp, name, threshold0.5): self.nlp nlp self.threshold threshold def __call__(self, doc): # 简单的情感分析 positive_words set([good, great, excellent, amazing]) negative_words set([bad, terrible, awful, poor]) pos_count sum(1 for token in doc if token.lemma_ in positive_words) neg_count sum(1 for token in doc if token.lemma_ in negative_words) score (pos_count - neg_count) / (len(doc) 1) doc._.sentiment score doc._.sentiment_label positive if score self.threshold else negative return doc # 注册工厂组件 nlp.add_pipe(sentiment_analyzer, afterner) # 使用 doc nlp(This movie is absolutely great and amazing!) print(f情感分数: {doc._.sentiment}) print(f情感标签: {doc._.sentiment_label}) print(code)custom_pipeline_component()六、相似度计算6.1 词向量相似度defsimilarity_demo():相似度计算print(\n*60)print(词向量相似度)print(*60)code import spacy # 加载带词向量的模型需要较大模型 nlp spacy.load(en_core_web_md) # 或 en_core_web_lg # 1. 词语相似度 word1 nlp(apple) word2 nlp(orange) word3 nlp(car) print(fapple vs orange: {word1.similarity(word2):.3f}) print(fapple vs car: {word1.similarity(word3):.3f}) # 2. 句子相似度 text1 nlp(I love programming) text2 nlp(I enjoy coding) text3 nlp(The weather is nice) print(f\\n句子相似度:) print(f I love programming vs I enjoy coding: {text1.similarity(text2):.3f}) print(f I love programming vs The weather is nice: {text1.similarity(text3):.3f}) # 3. 文档相似度 doc1 nlp(Machine learning is fascinating.) doc2 nlp(Deep learning is a subset of machine learning.) doc3 nlp(I like to eat pizza.) print(f\\n文档相似度:) print(f ML vs DL: {doc1.similarity(doc2):.3f}) print(f ML vs Pizza: {doc1.similarity(doc3):.3f}) # 4. 查找最相似的词 def most_similar(word, top_n5): 查找最相似的词 target nlp(word) similarities [] # 需要词表简化示例 vocab [apple, orange, banana, car, truck, bike, dog, cat, bird, happy, sad, angry] for w in vocab: if w ! word: sim target.similarity(nlp(w)) similarities.append((w, sim)) similarities.sort(keylambda x: x[1], reverseTrue) return similarities[:top_n] print(f\\n与apple最相似的词:) for word, sim in most_similar(apple, 5): print(f {word}: {sim:.3f}) print(code)similarity_demo()七、实战信息抽取系统7.1 完整信息抽取definformation_extraction():信息抽取系统print(\n*60)print(信息抽取系统)print(*60)code import spacy from typing import List, Dict, Any class InformationExtractor: def __init__(self, model_nameen_core_web_sm): self.nlp spacy.load(model_name) def extract_entities(self, text: str) - Dict[str, List[str]]: 提取命名实体 doc self.nlp(text) entities { PERSON: [], ORG: [], GPE: [], DATE: [], MONEY: [], } for ent in doc.ents: if ent.label_ in entities: entities[ent.label_].append(ent.text) return entities def extract_relations(self, text: str) - List[Dict]: 提取实体关系 doc self.nlp(text) relations [] for token in doc: # 提取主谓宾关系 if token.dep_ nsubj and token.head.pos_ VERB: subject token.text predicate token.head.text # 找宾语 obj None for child in token.head.children: if child.dep_ dobj: obj child.text break if obj: relations.append({ subject: subject, predicate: predicate, object: obj }) return relations def extract_keywords(self, text: str, top_k: int 10) - List[str]: 提取关键词 doc self.nlp(text) # 统计词频排除停用词和标点 freq {} for token in doc: if not token.is_stop and not token.is_punct and token.is_alpha: lemma token.lemma_.lower() freq[lemma] freq.get(lemma, 0) 1 # 排序取top_k keywords sorted(freq.items(), keylambda x: x[1], reverseTrue) return [word for word, _ in keywords[:top_k]] def process(self, text: str) - Dict[str, Any]: 完整处理 return { entities: self.extract_entities(text), relations: self.extract_relations(text), keywords: self.extract_keywords(text), } # 使用示例 extractor InformationExtractor() text Apple Inc.was founded by Steve JobsinCupertino,CaliforniainApril1976.The companyisvalued at over $2trillion. result extractor.process(text) print(实体识别结果:) for entity_type, entities in result[entities].items(): if entities: print(f {entity_type}: {entities}) print(\\n关系抽取结果:) for relation in result[relations]: print(f {relation[subject]} → {relation[predicate]} → {relation[object]}) print(f\\n关键词: {result[keywords]}) print(code)information_extraction()八、总结功能方法应用分词doc基础处理词性标注token.pos_语法分析依存分析token.dep_句法结构NERdoc.ents信息抽取相似度similarity()语义匹配管道nlp.pipe()批量处理spaCy最佳实践使用nlp.pipe()批量处理提高效率禁用不需要的组件加速使用小模型sm开发大模型lg部署自定义管道组件扩展功能

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2556162.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…