求助：如何用SpaCy从银行短信中识别含缩写的商户名称？

• 自定义规则匹配
  SpaCy自带的Matcher和PhraseMatcher可以针对性定义商户名的匹配规则，专门处理银行短信里的缩写、截断式商户名。比如针对"AMZN MKTP"这类大写多段缩写，可以写规则匹配连续的大写字母组；也可以把日常常见的银行商户缩写整理成短语库，用PhraseMatcher批量匹配，精准度更高。
  示例代码：

  from spacy.matcher import Matcher
  nlp = spacy.load("en_core_web_trf")
  matcher = Matcher(nlp.vocab)
  
  # 匹配两段大写字母组成的商户缩写（如AMZN MKTP）
  pattern = [{"IS_UPPER": True, "LENGTH": {">": 2}}, {"IS_SPACE": True}, {"IS_UPPER": True, "LENGTH": {">": 2}}]
  matcher.add("MERCHANT_ABBR", [pattern])
  
  doc = nlp("Paid €3.77 at AMZN MKTP Spent today: €3.77")
  matches = matcher(doc)
  for match_id, start, end in matches:
      span = doc[start:end]
      print(f"识别到商户: {span.text}")
  

• 微调预训练模型
  预训练的en_core_web_trf是通用领域模型，对银行短信这种垂直场景的实体识别效果有限。你可以收集一批标注好的银行短信数据（给每条短信里的商户名打上自定义实体标签，比如MERCHANT），用这些数据微调SpaCy模型，让模型学习到这类场景下商户名的特征，包括缩写、截断形式。
  核心步骤就是准备标注数据（符合SpaCy的JSONL格式），然后用spacy train命令或者Python API完成微调，之后用微调后的模型替换默认模型即可。

• 利用上下文定位
  银行短信里的商户名通常有固定的上下文规律，比如紧跟在"at"、"in"、"to"这类介词之后，且在金额信息之后。可以先定位这些关键词，再提取后面符合格式的文本作为商户名候选，比如连续的大写字母、带特定后缀的字符串。
  示例代码：

  doc = nlp("Paid €3.77 at AMZN MKTP Spent today: €3.77")
  for token in doc:
      if token.text.lower() in ["at", "in", "to"]:
          merchant_tokens = []
          next_token = token.next
          # 提取后续连续的大写非标点词
          while next_token and next_token.is_upper and not next_token.is_punct:
              merchant_tokens.append(next_token.text)
              next_token = next_token.next
          if merchant_tokens:
              print(f"识别到商户: {' '.join(merchant_tokens)}")
  

内容的提问来源于stack exchange，提问作者Andrii Artemenko