Machine learning 区分数字或实体的SpaCy NER

我目前正在与SpaCy NER玩游戏，想知道SpaCy NER是否可以做以下两件事：

案例1

假设我们有两个句子要用：

他体内的糖分含量在增加

他的整体健康素质正在提高

我们能否在第一句中把“增加”标记为“症状”实体，在第二句中把“增加”标记为“良好结果”实体？NER会看到这两个“增加”词的区别吗

案例2

我们还有两个不同的句子：

我的薪水是每月8000美元

我每月的花费是5000美元

内尔能否将第一句中的数字视为“收入”实体，将第二句中的数字视为“支出”

---

谢谢你

这些任务超出了你所期望的NER模型在许多方面的能力。Spacy的NER算法可用于查找实体类型，如

货币

（这是其英文模型中的一种实体类型），或类似于

症状

，但它不会查看非常大的上下文来检测/分类实体，因此，它将无法区分这些情况，在这些情况下，相关的上下文是相当遥远的

您可能希望将NER（或另一种类型的相关范围检测，也可以是基于规则的）与另一种类型的更关注上下文的分析相结合。这可能是某种文本分类，您可以检查依赖项解析，等等

下面是spacy文档中的一个简单示例，介绍如何使用NER（查找

MONEY

）提取实体关系，然后检查依赖项解析，试图找出MONEY元素可能引用的内容：

---

谢谢！基于BERT或双向LSTM-CNN的NER能做到这一点吗？