Python 在将文本传递到Stanford NER tagger之前，需要采取哪些预处理步骤？

最初，我遵循了预处理步骤，如停止单词删除、HTML剥离、删除标点符号。然而，当我不这样做时，NER似乎表现得更好。有人能告诉我要遵循哪些预处理步骤吗？

斯坦福德纳唯一需要的是干净的文本，我的意思是，没有HTML或任何其他类型的文档元标记。此外，您不应该删除停止词，这些词可能有助于模型决定给某个词添加哪个标签

只需创建一个包含干净文本的文件：

echo "Switzerland, Davos 2018: Soros accuses Trump of wanting a 'mafia state' and blasts social media." > test_file.txt

然后，您将调用stanford-ner.jar作为一个经过训练的模型，例如：

classifiers/english.all.3class.distsim.crf.ser.gz

和一个输入文件，例如：

test\u file.txt

像这样：

java -cp stanford-ner-2017-06-09/stanford-ner.jar edu.stanford.nlp.ie.crf.CRFClassifier -loadClassifier classifiers/english.all.3class.distsim.crf.ser.gz -textFile test_file.txt -outputFormat inlineXML

这应该输出如下内容：

Switzerland LOCATION
,   O
Davos   PERSON
2018    O
:   O
Soros   PERSON
accuses O
Trump   PERSON
of  O
wanting O
a   O
`   O
mafia   O
state   O
'   O
and O
blasts  O
social  O
media   O
.   O

正如您所见，您甚至不需要处理标记化（例如，在句子中查找每个唯一的标记/单词），Stanforder会为您这样做

另一个有用的功能是将Stanforder设置为Web服务：

java -mx2g -cp stanford-ner-2017-06-09/stanford-ner.jar edu.stanford.nlp.ie.NERServer -loadClassifier my_model.ser.gz -textFile -port 9191 -outputFormat inlineXML

然后，您可以使用简单的telnet或发布一个句子，并将其重新标记：

telnet 127.0.0.1 9191
Trying 127.0.0.1...
Connected to localhost.
Escape character is '^]'.
Switzerland, Davos 2018: Soros accuses Trump of wanting a 'mafia state' and blasts social media.

<LOCATION>Switzerland</LOCATION>, <PERSON>Davos</PERSON> 2018: <PERSON>Soros</PERSON> accuses <PERSON>Trump</PERSON> of wanting a 'mafia state' and blasts social media.

Connection closed by foreign host.

telnet 127.0.0.1 9191
正在尝试127.0.0.1。。。
已连接到本地主机。
转义字符为“^]”。
瑞士，2018年达沃斯：索罗斯指责特朗普想要一个“黑手党国家”，并抨击社交媒体。
瑞士，2018年达沃斯：索罗斯指责特朗普想要一个“黑手党国家”，并抨击社交媒体。
连接被外部主机关闭。