如何训练以行号为特征的 spaCy 模型？

Question

我是 nlp 和spaCy的新手，我正在从事一个从名片中提取人和公司名称的项目。

为了提取文本，我使用了一个像样的 OCR 函数，我已经制作了它，它给了我这样的东西：

Sunny J. Mistry
Product Design Engineer

Apple
5 Infinite Loop, MS 305-1PH
Cupertino, CA 95014

T 408 974-5339
M 925 548-4585
sjmistry@apple.com
www.apple.com

起初，我正在尝试使用默认的英语 NER 逐行处理该作业，但很快意识到这还不够。

最终我决定创建我自己的自定义 NER，它将使用有关文本位置的信息进行训练。

我在官方文档中没有找到任何关于如何为训练数据添加自定义特征（如行号）的信息，但我找到了这个答案和Matthew Honnibal 的例子，它建议使用多任务目标来训练具有服装特征的模特。

我仍然不确定：

1. 训练数据应该是什么样子的？

2. 如何使用 spaCy 的 API 向训练过程添加自定义功能？

3. 多任务目标是训练这种模型的正确工具吗？

Answer 1

回答我自己的问题：

我没有找到执行此类任务的官方方法，但最终我决定在包含 200 张图像的普通名片数据集上训练模型。 我一直在使用谷歌OCR提取从每个图像的文本和使用中描述的工具注释它这个职位。

它就像一个魅力。

Answer 2

您可以使用 spacy 库中的 ner.add_label(LABEL) 添加您自己的标签，然后使用您的名片训练数据对更新后的模型进行训练。