blocks|key|65143|text|对于Wolfram语言，您可以使用来自文本分析指南的TextCases或TextContents。这两种功能都是实验性的，因此在将来的版本中完成之前，它们可能会发生一些变化。两者都有TargetDevice选项，因此如果有GPU，您可以在一个或多个GPU上运行它们。|type|unstyled|depth|inlineStyleRanges|offset|length|style|CODE|entityRanges|data|65144|请参考文本内容类型指南以获取这些函数已经培训过的实体的列表。|65145|我认为TextContents是对多个情况下对TextCases的优化调用，所以我将只在下面使用TextContents。|65146|使用TextContents定位句子中所有经过训练的实体。|65147|res1+=+TextContents["The+temperature+today+is+35°C.",+TargetDevice+->+"GPU"]|code-block|syntax|javascript|65148|blockquote|65149|📷|atomic|65150|res2+=+TextContents["Store+risperidone+tablet+at+20°C.",+TargetDevice+->+"GPU"]|65151|65152|65153|TextContents返回一个可以针对特定情况进行Query编辑的Dataset对象。|65154|例如你的"DrugTemperature“|65155|res2[ContainsAll[{"Chemical",+"Quantity"}],+"Type"]|65156|真的|65157|数量单位|65158|res2[
++SelectFirst[#["Type"]+==+"Quantity"+&],+
++"String"+/*+SemanticInterpretation+/*+QuantityUnit]|65159|"DegreesCelsius“|65160|类型为Entity的"Chemical"具有丰富的属性，因此在需要时可以获得其他信息。例如,|65161|res2[
+SelectFirst[#["Type"]+==+"Chemical"+&],+
+"String"+/*+Interpreter["Chemical"]+/*+(#["MoleculePlot"]+&)]|65162|65163|65164|希望这能有所帮助。|entityMap|0|LINK|mutability|MUTABLE|url|https://reference.wolfram.com/language/|1|https://reference.wolfram.com/language/guide/TextAnalysis.html|2|http://reference.wolfram.com/language/ref/TextCases.html|3|http://reference.wolfram.com/language/ref/TextContents.html|4|http://reference.wolfram.com/language/ref/TargetDevice.html|5|https://reference.wolfram.com/language/guide/TextContentTypes.html|6|IMAGE|IMMUTABLE|imageUrl|https://i.stack.imgur.com/h4eLG.png|imageAlt|7|https://i.stack.imgur.com/IPkdX.png|8|https://reference.wolfram.com/language/ref/Query.html|9|https://reference.wolfram.com/language/ref/Dataset.html|10|http://reference.wolfram.com/language/ref/Entity.html|11|http://reference.wolfram.com/language/ref/entity/Chemical.html|12|https://i.stack.imgur.com/lOMM2.gif^0|Q|9|10|C|2J|C|2|9|0|J|6|1|Q|9|2|10|C|3|2J|C|4|0|3|8|5|0|3|C|N|9|1C|C|0|2|C|0|0|0|0|1|6|0|0|0|0|1|7|0|0|C|Q|5|Y|7|Q|5|8|Y|7|9|0|0|0|0|0|0|0|3|6|A|A|3|6|A|A|A|B|0|0|0|0|1|C|0^^$0|@$1|2|3|4|5|6|7|2K|8|@$9|2L|A|2M|B|C]|$9|2N|A|2O|B|C]|$9|2P|A|2Q|B|C]]|D|@$9|2R|A|2S|1|2T]|$9|2U|A|2V|1|2W]|$9|2X|A|2Y|1|2Z]|$9|30|A|31|1|32]|$9|33|A|34|1|35]]|E|$]]|$1|F|3|G|5|6|7|36|8|@]|D|@$9|37|A|38|1|39]]|E|$]]|$1|H|3|I|5|6|7|3A|8|@$9|3B|A|3C|B|C]|$9|3D|A|3E|B|C]|$9|3F|A|3G|B|C]]|D|@]|E|$]]|$1|J|3|K|5|6|7|3H|8|@$9|3I|A|3J|B|C]]|D|@]|E|$]]|$1|L|3|M|5|N|7|3K|8|@]|D|@]|E|$O|P]]|$1|Q|3|-4|5|R|7|3L|8|@]|D|@]|E|$]]|$1|S|3|T|5|U|7|3M|8|@]|D|@$9|3N|A|3O|1|3P]]|E|$]]|$1|V|3|W|5|N|7|3Q|8|@]|D|@]|E|$O|P]]|$1|X|3|-4|5|R|7|3R|8|@]|D|@]|E|$]]|$1|Y|3|T|5|U|7|3S|8|@]|D|@$9|3T|A|3U|1|3V]]|E|$]]|$1|Z|3|10|5|6|7|3W|8|@$9|3X|A|3Y|B|C]|$9|3Z|A|40|B|C]|$9|41|A|42|B|C]]|D|@$9|43|A|44|1|45]|$9|46|A|47|1|48]]|E|$]]|$1|11|3|12|5|6|7|49|8|@]|D|@]|E|$]]|$1|13|3|14|5|N|7|4A|8|@]|D|@]|E|$O|P]]|$1|15|3|16|5|R|7|4B|8|@]|D|@]|E|$]]|$1|17|3|18|5|6|7|4C|8|@]|D|@]|E|$]]|$1|19|3|1A|5|N|7|4D|8|@]|D|@]|E|$O|P]]|$1|1B|3|1C|5|R|7|4E|8|@]|D|@]|E|$]]|$1|1D|3|1E|5|6|7|4F|8|@$9|4G|A|4H|B|C]|$9|4I|A|4J|B|C]]|D|@$9|4K|A|4L|1|4M]|$9|4N|A|4O|1|4P]]|E|$]]|$1|1F|3|1G|5|N|7|4Q|8|@]|D|@]|E|$O|P]]|$1|1H|3|-4|5|R|7|4R|8|@]|D|@]|E|$]]|$1|1I|3|T|5|U|7|4S|8|@]|D|@$9|4T|A|4U|1|4V]]|E|$]]|$1|1J|3|1K|5|6|7|4W|8|@]|D|@]|E|$]]]|1L|$1M|$5|1N|1O|1P|E|$1Q|1R]]|1S|$5|1N|1O|1P|E|$1Q|1T]]|1U|$5|1N|1O|1P|E|$1Q|1V]]|1W|$5|1N|1O|1P|E|$1Q|1X]]|1Y|$5|1N|1O|1P|E|$1Q|1Z]]|20|$5|1N|1O|1P|E|$1Q|21]]|22|$5|23|1O|24|E|$25|26|27|-4]]|28|$5|23|1O|24|E|$25|29|27|-4]]|2A|$5|1N|1O|1P|E|$1Q|2B]]|2C|$5|1N|1O|1P|E|$1Q|2D]]|2E|$5|1N|1O|1P|E|$1Q|2F]]|2G|$5|1N|1O|1P|E|$1Q|2H]]|2I|$5|23|1O|24|E|$25|2J|27|-4]]]]

With <a href="https://reference.wolfram.com/language/" rel="nofollow noreferrer">Wolfram Language</a> you may use <a href="http://reference.wolfram.com/language/ref/TextCases.html" rel="nofollow noreferrer"><code>TextCases</code></a> or <a href="http://reference.wolfram.com/language/ref/TextContents.html" rel="nofollow noreferrer"><code>TextContents</code></a> from the <a href="https://reference.wolfram.com/language/guide/TextAnalysis.html" rel="nofollow noreferrer">Text Analysis guide</a>. These are both experimental functions so may change a bit before they are finalised in a future version. Both have the <a href="http://reference.wolfram.com/language/ref/TargetDevice.html" rel="nofollow noreferrer"><code>TargetDevice</code></a> option so you can run them on one or more GPUs if you have them.

Reference the <a href="https://reference.wolfram.com/language/guide/TextContentTypes.html" rel="nofollow noreferrer">Text Content Types guide</a> for the list of entities these functions have been trained on. 

I think <code>TextContents</code> is an optimised call to <code>TextCases</code> for multiple cases so I will only use <code>TextContents</code> below.

Use <code>TextContents</code> to locate all trained entities in your sentences.

<pre><code>res1 = TextContents["The temperature today is 35°C.", TargetDevice -&gt; "GPU"]
</code></pre>

<blockquote>
 <img src="https://i.stack.imgur.com/h4eLG.png" alt="Mathematica graphics">
</blockquote>

<pre><code>res2 = TextContents["Store risperidone tablet at 20°C.", TargetDevice -&gt; "GPU"]
</code></pre>

<blockquote>
 <img src="https://i.stack.imgur.com/IPkdX.png" alt="Mathematica graphics">
</blockquote>

<code>TextContents</code> returns a <a href="https://reference.wolfram.com/language/ref/Dataset.html" rel="nofollow noreferrer"><code>Dataset</code></a> object that can be <a href="https://reference.wolfram.com/language/ref/Query.html" rel="nofollow noreferrer"><code>Query</code></a>'ed for specific cases.

For example for your "DrugTemperature"

<pre><code>res2[ContainsAll[{"Chemical", "Quantity"}], "Type"]
</code></pre>

<blockquote>
<pre><code>True
</code></pre>
</blockquote>

and the quantity units

<pre><code>res2[
 SelectFirst[#["Type"] == "Quantity" &amp;], 
 "String" /* SemanticInterpretation /* QuantityUnit]
</code></pre>

<blockquote>
<pre><code>"DegreesCelsius"
</code></pre>
</blockquote>

An <a href="http://reference.wolfram.com/language/ref/Entity.html" rel="nofollow noreferrer"><code>Entity</code></a> of type <a href="http://reference.wolfram.com/language/ref/entity/Chemical.html" rel="nofollow noreferrer"><code>"Chemical"</code></a> has a wealth of properties so additional information can be obtained if needed. For example,

<pre><code>res2[
 SelectFirst[#["Type"] == "Chemical" &amp;], 
 "String" /* Interpreter["Chemical"] /* (#["MoleculePlot"] &amp;)]
</code></pre>

<blockquote>
 <a href="https://i.stack.imgur.com/lOMM2.gif" rel="nofollow noreferrer"><img src="https://i.stack.imgur.com/lOMM2.gif" alt="enter image description here"></a>
</blockquote>

Hope this helps.

Is there a way to get a specific entity based on the context where it is found?
For example:
The temperature today is <code>35°C</code>.
Store risperidone tablet at <code>20°C</code>.
Both are talking about temperature. For the first sentence, I would want the temperature to be a &quot;WeatherTemperature&quot; entity. In the second sentence, I would want the temperature to be &quot;DrugTemperature&quot;. What model could I use to train for this behavior?

Entity recognition with context/relation

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

是否有一种方法可以根据找到该实体的上下文获取特定的实体？例如：今天的温度是35°C。在20°C储存利培酮片。两人都在谈论温度。对于第一句，我希望温度是一个"WeatherTemperature“实体。在第二句中，我希望温度是"DrugTemperature“。我可以用什么模式来训练这种行为呢？

问基于上下文/关系的实体识别
EN

回答 1

Data Science用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问基于上下文/关系的实体识别EN