上下文名称和实体识别与空间如何？

Question

对于一个新项目，我需要从网页中提取信息，更精确地压印信息。我使用brat来标记文档，并已开始使用spacy和NER进行第一次实验。有很多关于这方面的视频和教程，但仍然有一些基本问题。 是否可以包含实体的上下文

示例文本：

Responsible for the content:

The Good Company GmbH 0331 Berlin

You can contact us via +49 123 123 123.

This website was created by good design GmbH, contact +49 12314 453 5.

斯帕西很擅长提取电话号码。根据我最近的测试，错误率不到百分之二。在250个标记文档之后，我已经能够实现这一目标，同时我已经标记了450个文档，我的目标是大约5000个文档。 现在谈谈实际问题。相关的只有“对内容负责”一句中显示的电话号码，其他电话号码不相关。 我现在可以想象把这些介绍性的句子训练成实体，因为它们在某种程度上总是相似的。但是我怎样才能创建上下文呢？是否已经有基于NER的模型可以做到这一点？ 也许有人已经在某个地方读到了一些提示或关于它的东西？作为初学者，跨栏相对较高，因为材料很深（很少玩文字游戏）

来自德国的问候

Answer 1

如果我正确理解您的问题和用例，我将建议以下方法：

• 训练/设计一个能够识别所有电话号码的系统-看起来你已经掌握了
• Train a text classifier识别“对内容负责”的句子
• 实施一些启发式（可能是基于规则的？）以确定任何已识别的电话号码是否连接到任何预测的“负责内容”句子-可能使用简单的功能，如句子之间的句子数量、句子后的第一个电话号码等

因此，基本上我建议分别解决每个NLP挑战，然后在整个文档中连接信息