我正在使用两种不同的实体提取方法（https://rasa.com/docs/nlu/entities/）同时在 RASA 框架中构建我的 NLP 模型以构建聊天机器人。
机器人应该处理具有自定义实体以及一些一般问题（例如位置或组织）的不同问题。
因此，我使用 ner_spacy 和 ner_crf 两个组件来创建模型。之后，我用 python 构建了一个小帮助程序脚本来评估模型性能。在那里我注意到模型很难选择正确的实体。
例如，对于单词“X”，它选择了 SpaCy 中的预定义实体“ORG”，但它应该被识别为我在训练数据中定义的自定义实体。
如果我只使用 ner_crf 提取器，我在识别大写字母等位置实体时会遇到巨大的问题。我最大的问题之一也是单一答案实体。
问：“你最喜欢什么动物？”
A : Dog
我的模型无法为这个单一答案提取这个单一实体“动物”。如果我用“狗”这样的两个词回答这个问题，模型就可以毫无问题地提取值为“狗”的动物实体。
所以我的问题是，使用两个不同的组件来提取实体是否聪明？一种用于自定义实体，另一种用于预定义实体。
如果我使用两种方法，模型中使用哪个提取器的机制是什么？
顺便说一句，目前我只是在测试，所以我的训练样本并没有应有的那么大（少于 100 个示例）。如果我有更多的训练样本，问题能解决吗？
你在这里面临两个问题。我建议一些我认为有用的方法。
1.自定义实体识别：为了解决这个问题，您需要添加更多具有所有可能长度的实体的训练句子。ner_crf当实体周围有可识别标记（例如介词）时，可以更好地预测
2. 从单个单词答案中提取实体：作为解决方法，我建议您在客户端进行以下操作。
当您发送类似问题时What´s your favorite animal?，在问题上附加一个标记，以向客户表明需要一个答案。例如
你可以发送##SINGLE## What´s your favorite animal?给客户。
客户端可以删除##SINGLE##来自问题并将其显示给用户。但是当客户端将用户的响应发送到服务器时，它不会发送Dog，它发送类似的东西User responded with single answer as Dog
您可以训练模型从此类答案中提取实体。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
