关于spaCy内置实体类型的详细文档及标注疑问咨询

Hey there! Great questions—these are exactly the kind of edge cases that pop up when fine-tuning spaCy/Prodigy for domain-specific NER like international relations. Let’s start with your first question, then dive into each core issue:

有没有spaCy实体类型的详尽指南或示例？ #

spaCy的官方文档里有更细致的实体类型定义（包括NORP、GPE等），搭配Prodigy的标注最佳实践，基本能覆盖大部分场景。虽然没有单独的“超级详尽”独立指南，但结合spaCy的NER文档和Prodigy的标注教程，你能找到很多实用示例。不过针对你的领域，咱们直接解决你的核心疑问更高效：

1. NORP的标注范围：Iranian nuclear program中的Iranian是否属于NORP？ #

spaCy对NORP的定义是Nationalities, Religious or Political Groups——不仅是民族/族群，还包括国籍群体、宗教或政治团体。但有个关键区分：

• 如果Iranian指代的是“伊朗人这个群体”（比如句子：Iranians support the nuclear program），那Iranians绝对是NORP。
• 但在Iranian nuclear program里，Iranian是作为形容词修饰program，指“属于伊朗的”核计划，这时候它不是一个群体，而是属性描述，不应该标注为NORP。如果文本里出现Iran，那它属于GPE（Geopolitical Entity）。

2. 全称加缩写的实体（比如Non-proliferation treaty (NPT)）：单个还是两个实体？ #

应该视为单个实体，标注为对应的类型（这里是LAW）。

• 依据：全称和缩写指代的是同一个法律文件，本质是同一个实体的两种表述。标注时要选中整个短语（Non-proliferation treaty (NPT)），统一标为LAW。
• 例外情况：如果缩写单独出现在文本其他位置（没有全称伴随），那单独标注缩写即可。

3. 句法未完全分离的隐含多实体：比如concluding documents of the Madrid and Vienna conferences #

这里隐含了两个独立的会议实体，正确的标注方式是拆分标注：

• 分别选中Madrid conferences和Vienna conferences，各自标注为EVENT（因为它们是特定的国际会议事件）。
• 如果你需要同时识别地点，也可以把Madrid和Vienna单独标注为GPE——具体取决于你的标注目标（是识别会议事件，还是识别会议举办地）。核心原则是：把每个语义独立的实体拆分开，即使它们在句法上用and连接成一个短语。

4. 歧义实体消歧：Kyoto是LAW还是GPE？ #

完全依赖上下文语境，这也是领域标注的核心：

• 如果文本语境是国际政策/条约（比如句子：Countries reaffirmed their commitments to Kyoto），这里的Kyoto指代的是《京都议定书》，标注为LAW（如果是完整短语Kyoto Protocol，则选中整个短语标LAW）。
• 如果语境是地理/城市相关（比如句子：Kyoto is home to historic temples），则标注为GPE。
• 在你的国际关系语料里，绝大多数情况下Kyoto单独出现时都是指代议定书，所以可以优先标注为LAW，除非有明确的地理指向。

内容的提问来源于stack exchange，提问作者yys