如何改进我的spaCy模型以完美地识别坐标？

Question

我使用奇妙的奇迹训练了一个用于自定义命名实体识别的模型，但它不能识别以下坐标：

“但太阳的长度是7°51‘24”，距离火星很远。

正如你所看到的，它给了我：

7°长51‘24“

但是它应该是这样的

7°51‘24“LONG有人能告诉我为什么会这样吗？

更多详细信息：

我使用正则表达式对标签进行了如下注释:日期、时间、坐标，然后使用Prodigy训练我的自定义命名实体识别

https://prodi.gy/?gclid=Cj0KCQjwyLDpBRCxARIsAEENsrLs2bbv7QT-d7lq88ZHkYaxPjI9L3aR23uRQGgWOBV1spM5WGV_LrIaAv6pEALw_wcB

我首先对每个标签执行了以下步骤

1-使用此命令编辑注释(例如，用于经度)

python -m prodigy ner.manual an_ner_date_time_02 en_core_web_sm AN_NER_DATE_TIME_01.jsonl  --label LONG

通过正则表达式编辑(由注释器)我的带注释的数据。然后我合并了我的数据集。下一阶段是通过以下方式构建模型

2-构建模型(用于所有合并的数据)

python -m prodigy ner.batch-train data_merged_v06 en_core_web_sm --output Model_12 --n-iter 10 --eval-split 0.2 --dropout 0.2 --no-missing

问:我怎样才能有更好的关于long，

所以现在我有一个模型，它的结果是：

BEFORE     0.008
Correct    36
Incorrect  4438
Entities   2802
Unknown    0


#          LOSS       RIGHT      WRONG      ENTS       SKIP       ACCURACY
01         110.744    1614       163        1683       0          0.908
02         98.563     1660       107        1719       0          0.939
03         98.472     1668       96         1724       0          0.946
04         96.250     1673       93         1731       0          0.947
05         96.192     1679       80         1730       0          0.955
06         96.108     1678       71         1719       0          0.959
07         94.347     1681       67         1721       0          0.962
08         96.472     1679       66         1716       0          0.962
09         98.936     1681       57         1711       0          0.967
10         96.175     1681       57         1711       0          0.967

Correct    1681
Incorrect  57
Baseline   0.008
Accuracy   0.967

它可以像您在此处看到的那样对数据进行注释(单击链接)

(https://ibb.co/rtQm5B9)

问题是模型不能学习完美的坐标，因为你可以看到7°长51‘24“它应该是7°51’24”长

被错误地标注了(然而，它在训练集中被正则表达式标注正确，但在测试集中被模型标注为no!)

你知道如何改进这一点吗？

第二个问题，如何使用ner的结果对句子进行分类？

Answer 1

既然你试图识别的命名实体是非常具体的，一个坐标，它的形状是定义良好的，为什么不使用模式/规则，例如正则表达式？

Answer 2

在这里您可以看到正则表达式可以完美地注释LONG (我在regex101.com中对其进行了测试)

regex_patterns = [
                  re.compile(r"\d{1,3}\s?°\s?\d{1,2}\s?[\'|’]\s?\d{1,2}\s?[\"|”|“]\s?[A-Z][a-z.]+"   #LONG in format 
                              "|\d{1,3}\s?°\s?\d{1,2}\s?[\'|’]\s?\s?[A-Z][a-z.]+"
                              "|\d{1,3}\s?°\s?\d{1,2}\s?[\'|’]\s?\d{1,2}\s?[\"|”|“]"
                              "|\d{1,3}\s?°\s?\d{1,2}\s?[\'|’]"
                              "|\d{1,3}\s?°\s?[A-Z][a-z.]+")           
]

但我不知道为什么训练后会有一些错误(错误这不是问题，但我想知道为什么它给了我一部分广度)

就像你在这里：

​

就像第三行一样:8 37是注释的，但是->8 37双子座在第四行是正确的7是注释的但是->7 51 21是正确的

另一个注释是可以的，即使对于时间，我们有10h 50m看起来像是长的结构(多个单词)，但它是正确的，我真的不知道问题是什么！