Nlp 向SpaCy添加自定义实体时出现问题'；斯内尔 我在en_core_web_lg中添加了一个名为“orgName”的新实体，使用 我所有的训练数据（26k个句子）都标有“orgName” 为了解决灾难性的遗忘问题，我在那26k个原始句子上运行了en_core_web_lg，并添加了ORG、PROD、FAC等实体作为标签，而不是面对冲突的实体，我创建了副本。 因此，对于一个标有“orgName”的句子a，我创建了一个重复的A2，其中包含ORG、PROD、FAC等，最后有大约52k个句子 我使用100次迭代进行训练
现在的问题是，即使在训练句子上测试模型，它也不会显示ORG、PROD、FAC等，而只显示“orgName”Nlp 向SpaCy添加自定义实体时出现问题'；斯内尔 我在en_core_web_lg中添加了一个名为“orgName”的新实体，使用 我所有的训练数据（26k个句子）都标有“orgName” 为了解决灾难性的遗忘问题，我在那26k个原始句子上运行了en_core_web_lg，并添加了ORG、PROD、FAC等实体作为标签，而不是面对冲突的实体，我创建了副本。 因此，对于一个标有“orgName”的句子a，我创建了一个重复的A2，其中包含ORG、PROD、FAC等，最后有大约52k个句子 我使用100次迭代进行训练,nlp,spacy,named-entity-recognition,Nlp,Spacy,Named Entity Recognition,现在的问题是，即使在训练句子上测试模型，它也不会显示ORG、PROD、FAC等，而只显示“orgName” 你认为问题出在哪里？原则上，你试图解决灾难性遗忘问题的方法，通过重新训练它的旧预测，对我来说似乎是一个很好的方法 但是，如果您有相同句子的重复版本，但注释不同，并将其提供给NER分类器，则可能会混淆模型。原因是，它不仅关注积极的例子，而且明确地将未注释的单词视为消极的情况 所以，如果你有“鲍勃住在伦敦”，而你只注释了“伦敦”，那么它会认为鲍勃肯定不是一个疯子。如果你有第二句话，只注释Bob
你认为问题出在哪里？原则上，你试图解决灾难性遗忘问题的方法，通过重新训练它的旧预测，对我来说似乎是一个很好的方法 但是，如果您有相同句子的重复版本，但注释不同，并将其提供给NER分类器，则可能会混淆模型。原因是，它不仅关注积极的例子，而且明确地将未注释的单词视为消极的情况 所以，如果你有“鲍勃住在伦敦”，而你只注释了“伦敦”，那么它会认为鲍勃肯定不是一个疯子。如果你有第二句话，只注释Bob，它将“忘记”伦敦是一个NE，因为现在它没有这样注释。所以一致性真的很重要 我建议实施更高级的算法来解决冲突。 一种选择是始终只获取带有最长
Span