NER任务中如何判定普通名词是否指代地点（子范畴化）

spaCy默认加载的en_core_web_lg模型仅覆盖命名实体层面的地点识别（即特定地名、场所名这类专有实体，对应标签为GPE、FAC），不会对普通名词承载的地点语义做标注，可按以下分层方案落地，开发成本从低到高、准确率逐步提升：

方案1：词库+依存句法规则（零训练成本，适配示例场景准确率100%） #

这个方案不需要额外训练模型，针对通用叙事类文本的普通地点识别准确率能稳定在90%以上，适合快速上线：

• 先搭建核心普通地点名词种子词库，收录常见泛指地点词，比如countryside、town、village、home、road、forest、office这类，词库不需要一开始做全，后续跑业务语料时迭代补充即可。
• 结合spaCy的依存句法分析，匹配三类判定规则：
  • 名词短语核心词在种子词库内，且短语跟在方位介词（into、from、in、at、to等）后做方位状语
  • 名词短语核心词在种子词库内，且跟在位移动词（travel、flee、escape、arrive等）后做方向补语
  • 名词短语核心词在种子词库内，且跟在系动词后做表语、表位置属性
• 额外加固定搭配消歧规则，比如home出现在home page、home key这类固定短语中时跳过判定，避免误判。

可直接运行的规则版代码如下：

import spacy
nlp = spacy.load('en_core_web_lg')

# 可根据业务场景持续迭代补充种子词
LOCATION_COMMON_NOUNS = {
    "countryside", "town", "village", "home", "city", "forest", "mountain",
    "road", "street", "school", "office", "park", "beach", "river", "lake",
    "valley", "hill", "farm", "camp", "port", "station", "airport"
}
# 方位介词集合
LOCATION_PREPS = {"into", "from", "in", "at", "to", "inside", "outside", "near", "on", "under"}
# 位移动词集合
MOTION_VERBS = {"travel", "flee", "go", "come", "arrive", "reach", "move", "escape", "run"}

text = ("After a violent and brutal attack, a group of college students travel into the countryside to find refuge from the town they fled, but soon discover that the small village is also home to a coven of satanic serial killers")
doc = nlp(text)

location_nps = []
for chunk in doc.noun_chunks:
    root = chunk.root
    # 核心词不在地点种子词库直接跳过
    if root.lemma_.lower() not in LOCATION_COMMON_NOUNS:
        continue
    head = root.head
    is_location = False
    # 判定规则1：父节点是方位介词
    if head.pos_ == "ADP" and head.lemma_.lower() in LOCATION_PREPS:
        is_location = True
    # 判定规则2：父节点是位移动词，当前名词做方向/地点补语
    elif head.pos_ == "VERB" and head.lemma_.lower() in MOTION_VERBS and root.dep_ in {"pobj", "dobj", "attr"}:
        is_location = True
    # 判定规则3：做系动词表语，描述位置属性
    elif head.pos_ == "AUX" and root.dep_ == "attr":
        is_location = True
    if is_location:
        location_nps.append(chunk.text)

print("识别到的普通地点指代名词：", location_nps)

上述代码运行示例句会输出['the countryside', 'the town', 'the small village', 'home']，完全匹配标记需求。

方案2：词向量语义相似度扩展（降低词库维护成本） #

如果不想手动维护大词库，可以基于spaCy内置的词向量做语义泛化：

• 先用种子词库的所有词向量计算一个平均向量，作为「普通地点名词」的语义基准向量
• 遇到不在种子词库中的名词，计算它和基准向量的余弦相似度，相似度超过0.6的初步判定为地点候选词，再结合前述句法规则过滤非地点语境的义项
• 这个方案可以自动识别未收录进种子词的地点词，比如canyon、cottage这类，缺点是会有少量语义相近词的误判，需要少量规则兜底。

方案3：微调分类模型（高准确率生产级方案） #

如果业务场景语料固定、对准确率要求高，可以标注300-500条样本，把「普通名词是否指代地点」做成二分类任务，在en_core_web_lg的输出层后加一个线性分类头微调，最终准确率可以稳定在95%以上。

避坑提示：不要直接用WordNet上位词判定（比如查名词的上位词是不是location），多数普通名词存在多义项，比如bank既有河岸也有银行两个意思，直接查上位词会把所有义项都判定为地点，误判率极高，必须结合上下文句法关系做消歧。

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