如何在实体识别后提取句子的意义？
首先：有没有推荐的方法来修改标题？
我正在使用自己开发的命名实体识别算法，从普通文本中提取数据。具体来说，我想提取律师的执业领域。我看到的一个常见句子结构是：
1) 尼尔专注于就业、税务和版权诉讼。
或者
2) 尼尔专注于一般公司事务，包括证券、商业组织、合同准备和知识产权保护。
我的实体提取做得不错，可以找到关键词，比如，从第一个句子得到的输出可能是：
尼尔专注于（就业）、（税务）和（版权诉讼）。
但是，这样的结果对我帮助不大。更有帮助的是，如果我的输出看起来像这样：
尼尔专注于（就业 - 诉讼）、（税务 - 诉讼）和（版权诉讼）。
有没有办法使用现有的Python框架，比如nltk，来实现这个目标？在我的算法提取出执业领域后，能否用nltk提取出那些“执业领域”所修饰的其他词，以便获得更完整的信息？
3 个回答
看看这个CogComp NER标注工具： https://github.com/CogComp/cogcomp-nlp/tree/master/ner
我觉得你的“算法”可能连实体识别都没做到……不过，如果稍微扩展一下你提出的问题，你想做的事情看起来像是在处理包含省略的并列结构中的指代消解。这可不是一件简单的事：可以先去网上查查相关的语言学和计算语言学的文献。我下面会用这个领域的标准术语。
从实际操作来看，你可以先从给最近的先行词（也就是最常用的做法）开始。用你的例子来说：
首先提取句子中的所有“实体”。
从实体列表中，找出先行词候选（比如“诉讼”等）。这是一项非常困难的任务，涉及很多不同的问题……如果你提前知道哪些“实体”对你来说是有趣的，可能可以避免这个步骤。
最后，把每个指代词（包括前指和后指）分配给最近的先行词。
命名实体识别（NER）系统通常使用基于语法的规则或统计语言模型。不过，你这里描述的似乎只是基于关键词。
一般来说，就像大多数复杂的自然语言处理（NLP）任务一样，NER系统应该在特定领域的数据上进行训练，这样它们才能在之前没有见过的数据上表现良好。要走这条路，你需要对机器学习有一定的了解。
用“普通”的语言来说，如果你想提取一些单词或短语，并把它们分类到你定义的类别中（比如诉讼），通常使用外部本体中的类别标签是个不错的选择。举个例子：
- 你想提取与体育相关的单词和短语。
这种分类（也就是判断一个单词是否真的与体育相关）并不是一个“通用”的问题。这意味着你不会找到现成的系统来解决这个问题（比如NLTK库中的算法）。不过，你可以利用像维基百科这样的本体，利用那里的类别标签。
- 例如，你可以查看如果在维基百科搜索“足球”，它有一个类别标签“球类游戏”，而这个又属于“体育”。
注意，维基百科的类别标签形成了一个有向图。如果你构建一个利用这种本体的类别结构的系统，你应该能够按照自己的需要对文本中的术语进行分类。此外，你甚至可以控制分类的细致程度（比如，你想要“体育”，还是“个人体育”和“团队体育”）。
我曾经为计算机科学相关术语的分类构建过这样的系统，效果非常好。与之类似的、可以免费使用的系统是Wikifier，这是伊利诺伊大学香槟分校的认知计算小组开发的。
注意事项：你可能需要对一个简单的基于类别的代码进行调整，以满足你的需求。例如，“诉讼”在维基百科上没有独立页面，而是会重定向到一个标题为“诉讼”的页面。这种情况需要单独处理。
最后说明：这个解决方案其实并不属于NLP的范畴，但我过去的经验表明，对于某些领域，这种基于本体的方法效果很好。此外，我在回答中使用“体育”这个例子是因为我对法律术语不太了解。但我希望这个例子能帮助你理解背后的过程。