基于Spacy的上下文感知项目信息抽取技术方案咨询

针对你目前纯规则匹配覆盖不足的问题，推荐采用「高规则性字段匹配+依存句法关联+小样本模型微调」的三级方案，可快速实现装机容量与对应项目名的绑定，同时可扩展覆盖所有预设字段的抽取：

第一步：高规则性字段的轻量规则匹配 #

你需要的8个字段中，装机容量、能源类型、投资金额这三类特征固定度极高，仅需3-5条匹配规则即可覆盖90%以上的场景，无需编写数十条规则：

• 装机容量的特征统一为「数字+可选连接符+容量单位(MW/兆瓦/万千瓦等)」，基于Spacy的Matcher实现代码示例：

import spacy
from spacy.matcher import Matcher

# 优先加载中文Transformer预训练模型，依存分析和实体识别准确率远高于轻量模型
nlp = spacy.load("zh_core_web_trf")
matcher = Matcher(nlp.vocab)

# 装机容量匹配规则
capacity_pattern = [
    {"LIKE_NUM": True},
    {"TEXT": {"in": ["-", ""]}, "OP": "?"},
    {"TEXT": {"REGEX": "^[MG]W$|兆瓦|万千瓦|GW"}}
]
matcher.add("CAPACITY", [capacity_pattern])

• 能源类型直接匹配预设关键词即可：太阳能、风电、抽水蓄能、光伏、火电等
• 投资金额匹配规则同装机容量，仅需把单位替换为元、美元、万元等即可

第二步：基于依存句法的实体关联，解决容量与项目名的绑定问题 #

你之前分析依存树未找到通用规则，核心是没有做锚点定位：

• 先把识别到的装机容量实体作为锚点，向上查找它所属的名词短语块（NP Chunk）
• 同一个名词短语块内，除容量、地点介词等辅助信息外的核心名词部分，即为对应的项目名
  示例实现代码：

def bind_capacity_to_project(doc, capacity_span):
    # 遍历所有名词短语块，找到包含当前容量实体的块
    for chunk in doc.noun_chunks:
        if chunk.start <= capacity_span.start and chunk.end >= capacity_span.end:
            # 过滤掉块内的容量实体、地点修饰词等冗余内容
            project_tokens = [
                token for token in chunk 
                if not (capacity_span.start <= token.i < capacity_span.end) 
                and token.dep_ not in ["case", "punct"]
            ]
            return "".join([t.text for t in project_tokens]).strip("的、位于")
    # 单句仅一个项目的兜底规则，直接取整句的项目实体
    project_ents = [ent for ent in doc.ents if ent.label_ == "PROJECT"]
    return project_ents[0].text if project_ents else None

该逻辑可100%覆盖你给出的4个示例场景，无需额外定制规则。

第三步：低规则性字段的小样本模型适配 #

对于所属企业、开始/结束日期、地点这类规则性不强的字段，你仅需要标注100-200条和你的爬取文本领域一致的样本，用Spacy自带的训练工具微调预训练的NER模型，即可实现90%以上的抽取准确率，整体工作量远低于手动写全量规则。

第四步：全局后处理兜底 #

最后加一层简单的全局校验规则即可解决小概率匹配冲突：

• 单句内仅1个项目+1个容量的，直接绑定
• 单句内多项目多容量的，按实体最近距离原则绑定
• 抽取结果为空的字段统一填充为NULL即可

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