如何配置spaCy NER组件 排除多令牌实体中的撇号's

spaCy的预训练NER模型没有提供可直接配置的规则项来修正这个问题：单令牌实体不附带's是训练数据中的标注习惯，多令牌实体把's识别为实体一部分属于训练数据覆盖不足导致的边界判定偏差，没有内置开关可以直接修改该逻辑。可根据需求选择以下两种方案解决：

方案1：管道后置处理（零训练成本，推荐快速落地使用） #

由于spaCy分词阶段已经将所有格's切分为独立token，只需要在NER组件之后加一个轻量处理函数，遍历修正所有实体的尾部边界即可，不需要修改模型本身，兼容spaCy 3.2/3.3全版本，也不会影响后续自定义实体链接组件的逻辑。
实现代码如下：

import spacy
from spacy.tokens import Span

nlp = spacy.load("en_core_web_sm")

def trim_possessive_s(doc):
    new_entities = []
    for ent in doc.ents:
        ent_end = ent.end
        # 从实体末尾向前扫描，剔除独立成token的所有格's
        while ent_end > ent.start and doc[ent_end - 1].text.lower() in {"'s", "’s"}:
            ent_end -= 1
        # 边界有调整就生成新的实体Span，否则保留原实体
        if ent_end != ent.end:
            new_entities.append(Span(doc, ent.start, ent_end, label=ent.label_))
        else:
            new_entities.append(ent)
    doc.ents = new_entities
    return doc

# 将处理逻辑注册到管道中，放在NER组件之后执行
nlp.add_pipe(trim_possessive_s, after="ner")

# 效果测试
test_text = "Apple Inc.'s looking at buying U.K. startup for $1 billion"
doc = nlp(test_text)
for ent in doc.ents:
    print(f"{ent.text} (lemma={ent.lemma_}): {ent.label_}")

运行后输出的ORG实体为Apple Inc.，不会附带尾部的's，原本识别正确的单令牌实体、其他类型实体都不会受影响。

方案2：微调NER模型（根源修正，适合高精度场景） #

如果不希望增加后置处理逻辑，可以在自定义NER模型微调阶段做两类调整：

• 标注训练数据时，所有实体尾部独立成token的's统一标注为非实体（IOB标签为O）
• 补充一定量的多令牌实体带所有格的标注样本，比如各类公司名、人名带's的文本样本
  模型经过微调后会自主学习到实体边界规则，推理时可直接输出不带's的正确实体，不需要额外处理。

注意事项 #

不要尝试通过修改模型配置文件修正该问题：实体边界判定是模型从训练数据学习到的统计模式，不是可配置的规则项，不存在对应的配置参数。

内容的提问来源于stack exchange，提问作者jdb63