关于spaCy en_core_web_sm模型LOC、FAC、GPE标签的标注规则咨询

一、公开标注准则说明 #

spaCy的预训练模型（包括en_core_web_sm）遵循OntoNotes 5标注规范，这套准则是公开的，明确了各实体标签的定义与适用范围。

二、LOC、FAC、GPE的具体标注范围 #

• GPE（地缘政治实体）：涵盖国家、城市、州、省等带有行政边界的地缘政治区域，部分具备强地缘标识性的知名地标也会被归入此类。
• FAC（设施）：指人工建造的固定设施，比如非地缘标识性的建筑物、广场、桥梁、车站、隧道等。
• LOC（地点）：专指自然形成的地理区域，例如山脉、河流、湖泊、沙漠等，不包含人工设施或地缘政治实体。

三、示例结果解析 #

针对你提供的文本和识别结果：

1. Empire State Building（帝国大厦）被标为GPE：帝国大厦是纽约极具标志性的地标，在OntoNotes标注体系中，这类具备强地缘标识属性的知名建筑会被归类为GPE，而非单纯的人工设施FAC。
2. Times Square（时代广场）被标为FAC：时代广场本质是人工规划建设的城市广场，属于人工设施范畴，符合FAC的定义，并非带有行政边界的GPE。
3. train station未被识别：en_core_web_sm是轻量模型，对泛化性强、低频出现的普通实体（如通用的train station）识别能力有限。若需更精准识别，建议使用体量更大的模型（如en_core_web_md或en_core_web_lg），或通过自定义训练补充此类实体的识别规则。

内容的提问来源于stack exchange，提问作者Joe