Извлечение многозначных именных объектов с использованием CoreNLP

Я использую CoreNLP для извлечения именованного объекта и столкнулся с проблемой. Проблема заключается в том, что всякий раз, когда именованный объект состоит из более чем одного токена, такого как "Han Solo", аннотатор не возвращает "Han Solo" как единую именованную сущность, а как два отдельных объекта "Han" "Solo",.

Можно ли получить именованный объект как один токен? Я знаю, что могу использовать CRFClassifier с classifyWithInlineXML до такой степени, но для моего решения требуется, чтобы я использовал CoreNLP, так как мне также нужно знать номер слова.

Ниже приведен код, который у меня есть до сих пор:

    Properties props = new Properties();
    props.put("annotators", "tokenize,ssplit,pos,lemma,ner,parse");
    props.setProperty("ner.model", "edu/stanford/nlp/models/ner/english.conll.4class.distsim.crf.ser.gz");
    pipeline = new StanfordCoreNLP(props);
    Annotation document = new Annotation(text);
    pipeline.annotate(document);
    List<CoreMap> sentences = document.get(SentencesAnnotation.class);
    for (CoreMap sentence : sentences) {
        for (CoreLabel token : sentence.get(TokensAnnotation.class)) {
                System.out.println(token.get(NamedEntityTagAnnotation.class));
        }
    }

Помоги мне Оби-Ван Кеноби. Ты моя единственная надежда.

Ответ 1

PrintWriter writer = null;
 try {  
     String inputLine = "Several possible plans emerged from the talks, held at the Federal Reserve Bank of New York" + " and led by Timothy R. Geithner, the president of the New York Fed, and Treasury Secretary Henry M. Paulson Jr.";

     String serializedClassifier = "english.all.3class.distsim.crf.ser.gz";
     AbstractSequenceClassifier<CoreLabel> classifier = CRFClassifier.getClassifierNoExceptions(serializedClassifier);

     writer = new PrintWriter(new File("output.xml"));
     writer.println("<Sentences>");
     writer.flush();
     String output ="<Sentence>"+classifier.classifyToString(inputLine, "xml", true)+"</Sentence>"; 
     writer.println(output);
     writer.flush();
     writer.println("</Sentences>");
     writer.flush(); 
 } catch (FileNotFoundException ex) {
     ex.printStackTrace();
 } finally {
     writer.close();
 }

Я смог придумать это решение. Я пишу вывод в файл XML "output.xml". Из полученного результата вы можете объединить непрерывные узлы в xml с атрибутами "PERSON" или "ORGANIZATION" или "LOCATION" для одного объекта. И этот формат генерирует количество слов по умолчанию.

Вот моментальный снимок вывода xml.

<wi num="11" entity="ORGANIZATION">Federal</wi>
<wi num="12" entity="ORGANIZATION">Reserve</wi>
<wi num="13" entity="ORGANIZATION">Bank</wi>
<wi num="14" entity="ORGANIZATION">of</wi>
<wi num="15" entity="ORGANIZATION">New</wi>
<wi num="16" entity="ORGANIZATION">Yorkand</wi>

Из вышесказанного вы можете видеть, что непрерывные слова распознаются как "ОРГАНИЗАЦИЯ". Таким образом, эти слова могут быть объединены с одним объектом.

Ответ 2

Я использую одну временную переменную для хранения предыдущего тега ner и проверяю, равен ли текущий тег ner temp, он объединит два слова вместе. итерация идет путем назначения temp текущему тегу ner.