如何设置spaCy仅识别GPE实体、关闭ORG标签识别？

问题说明 #

spaCy预训练模型会将「Los Angeles Lakers」「Seattle Seahawks」这类运动队名称整体标记为ORG实体，内部包含的城市GPE实体会被覆盖，无法单独提取。

方案1：仅保留GPE实体输出（简单过滤） #

如果不需要除GPE外的任何实体标注，可在识别完成后直接过滤实体列表：

import spacy
from spacy import displacy

nlp = spacy.load('en_core_web_lg')
doc = nlp('Is there a way to bypass the ORG tag for the Los Angeles Lakers and only tag Los Angeles')
# 仅保留GPE标签的实体
doc.ents = [ent for ent in doc.ents if ent.label_ == "GPE"]
displacy.render(doc, style="ent")

注意：该方案无法处理被ORG整体覆盖的嵌套GPE，例如「Los Angeles Lakers」中的Los Angeles不会被识别

方案2：提升GPE识别优先级（解决嵌套实体覆盖问题） #

通过在NER组件前添加EntityRuler，提前匹配GPE实体，避免被后续ORG标注覆盖：

import spacy
from spacy.pipeline import EntityRuler
from spacy import displacy

nlp = spacy.load('en_core_web_lg')
# 初始化实体 ruler，运行顺序在NER之前，已标注实体不被覆盖
ruler = nlp.add_pipe("entity_ruler", before="ner", config={"overwrite_ents": False})

# 配置GPE匹配规则，可批量导入城市词表扩充规则
patterns = [
    {"label": "GPE", "pattern": "Los Angeles"},
    {"label": "GPE", "pattern": "Seattle"}
]
ruler.add_patterns(patterns)

doc = nlp('Is there a way to bypass the ORG tag for the Los Angeles Lakers and only tag Los Angeles')
# 可选：过滤掉不需要的ORG实体
doc.ents = [ent for ent in doc.ents if ent.label_ == "GPE"]
displacy.render(doc, style="ent")

方案3：完全禁用ORG标签识别 #

直接修改NER组件的输出标签范围，仅允许输出GPE：

import spacy
from spacy import displacy

nlp = spacy.load('en_core_web_lg')
ner = nlp.get_pipe("ner")
# 仅保留GPE作为唯一可输出的实体标签
ner.labels = ("GPE",)

doc = nlp('Is there a way to bypass the ORG tag for the Los Angeles Lakers and only tag Los Angeles')
displacy.render(doc, style="ent")

注意：该方案同样无法处理嵌套在其他实体中的GPE，建议搭配方案2的EntityRuler使用

内容的提问来源于stack exchange，提问作者Logan