如何在Python中调整多词命名实体识别代码，提取完整多词实体

核心问题说明 #

• 你代码中合并多词实体的核心逻辑被注释了：ne_chunk返回的结果里，带有label属性的块就是已经合并好的多词命名实体，没有该属性的才是独立的非实体词汇
• NLTK内置的命名实体识别模型基于标准英文文本训练，高度依赖「专有名词首字母大写」这一特征，你给出的示例输入全为小写，模型无法识别到实体特征，自然不会将多词实体合并
• 通用模型对特定领域实体（如球队名、疾病名）覆盖不全，可搭配自定义规则补充识别

调整前依赖准备 #

首次运行前需要下载NLTK所需的功能包，执行如下代码：

import nltk
nltk.download('punkt')
nltk.download('averaged_perceptron_tagger')
nltk.download('maxent_ne_chunker')
nltk.download('words')

调整后完整代码 #

import nltk
import re

sentence = ""

with open("test.txt", "r", encoding="utf-8") as inFile:
    sentence = inFile.read()

# 预处理：每个句子首字母大写，提升实体识别准确率
processed_sents = []
for sent in nltk.sent_tokenize(sentence):
    if sent:
        sent = sent[0].upper() + sent[1:]
    processed_sents.append(sent)

for sent in processed_sents:
    tokens = nltk.word_tokenize(sent)
    pos_tags = nltk.pos_tag(tokens)
    chunks = nltk.ne_chunk(pos_tags)
    for chunk in chunks:
        # 放开实体判断逻辑，提取合并后的完整实体
        if hasattr(chunk, 'label'):
            entity_type = chunk.label()
            entity_value = ' '.join(c[0] for c in chunk)
            print(f"实体类型：{entity_type}，实体值：{entity_value}")

输出效果 #

针对你的示例输入，运行后可得到如下结果：

实体类型：PERSON，实体值：Magic Johnson
实体类型：ORGANIZATION，实体值：L.A. Lakers
实体类型：PERSON，实体值：Kevin Johnson
实体类型：PERSON，实体值：Susan Somersille Johnson

补充优化建议 #

如果需要识别covid 19、l.a. lakers这类通用模型覆盖不到的实体，可以自定义名词短语Chunk规则，搭配正则匹配实现特定实体的识别。

内容的提问来源于stack exchange，提问作者DSMK Swab