如何使用spaCy从文章中定位与指定客体对应的特定归属主体

核心思路 #

结合spaCy自带的命名实体识别（NER）、依存句法分析能力，再加少量兜底规则即可实现需求，不需要额外引入其他工具。

具体实现步骤 #

1. 自定义实体识别训练/配置 #

首先基于spaCy的NER模块扩展自定义实体类型：

• 保留默认的PERSON实体，用于识别文本中的所有人名
• 新增业务需要的客体实体类型，比如PHONE_NUMBER（手机号）、CNIC（证件号）、ADDRESS（地址）

可以通过标注少量业务样本微调spaCy的NER模型，也可以先用Matcher模块写正则规则匹配固定格式的客体（比如11位手机号、固定分段格式的CNIC），先把文本中所有的人名和目标客体实体都提取并标记好位置。

2. 依存句法匹配归属关系 #

这是核心匹配逻辑，利用spaCy的依存句法分析拿到词与词的修饰关联：

• 先定位到待查询的客体实体的核心词
• 沿着依存树向上查找该核心词的支配动词，再找该动词对应的主语（nsubj依存关系），该主语就是客体的归属主体
• 如果存在并列主语（比如多个姓名用and连接），可以通过conj依存关系把所有并列的人名都提取出来

3. 兜底规则覆盖异常场景 #

如果文本存在句法不规范的情况，依存分析无法抓到直接关联，就加两个通用兜底规则：

• 同句优先：仅优先匹配和客体实体在同一个句子内的人名
• 就近原则：优先取客体实体之前距离最近的人名实体

示例代码 #

import spacy

# 加载spaCy预训练模型，可替换为你微调后支持自定义实体识别的模型
nlp = spacy.load("en_core_web_md")

def get_attribution_subject(text, target_obj_type, target_obj_value=None):
    doc = nlp(text)
    # 定位目标客体实体
    target_obj = None
    for ent in doc.ents:
        if ent.label_ == target_obj_type:
            if target_obj_value and ent.text != target_obj_value:
                continue
            target_obj = ent
            break
    if not target_obj:
        return []
    
    # 沿着依存树查找关联主语
    current_token = target_obj.root
    while current_token.dep_ != "ROOT":
        # 查找当前词的主语子节点
        for child in current_token.children:
            if child.dep_ == "nsubj" and child.ent_type_ == "PERSON":
                # 收集所有并列主语
                subjects = [child.text]
                for conj_child in child.conjuncts:
                    if conj_child.ent_type_ == "PERSON":
                        subjects.append(conj_child.text)
                return subjects
        current_token = current_token.head
    
    # 兜底取最近的人名
    in_sent_persons = [ent for ent in doc.ents if ent.label_ == "PERSON" and ent.sent == target_obj.sent and ent.end < target_obj.start]
    if in_sent_persons:
        return [in_sent_persons[-1].text]
    return []

# 测试示例，你提前完成自定义实体识别配置后即可直接调用
# 示例1返回["Imran Raza"]，示例2返回["Imran Raza"]，示例3返回["Imran Raza", "Ghulam Jafari"]

内容的提问来源于stack exchange，提问作者azhar