我怎样才能从一篇新文章中提取出一个犯罪者的名字？

Question

我能够使用Spacy-NER模型提取人名，但它包括律师/警察/或其他任何人人类。我的问题是根据新闻文章提取被指控/定罪/或犯罪的人的姓名。你知道吗

例如下面的nes文章https://www.channelnewsasia.com/news/world/turkey-frees-opposition-figure-pending-terrorism-trial---anadolu-11095480

安卡拉：土耳其国有的阿纳多卢通讯社说，土耳其一家法庭周一下令保释一名前反对派议员，当时他正在接受与恐怖主义有关的指控的审判。你知道吗

埃伦·埃尔德姆在2018年中期选举中失去了席位，该选举授予总统塔伊普·埃尔多安全面的新权力，他自6月以来一直被监禁，并被指控在2014年担任反对派报纸编辑期间发布非法窃听。你知道吗

他否认协助美国教士费图拉·古伦（Fethullah Gulen）追随者的指控，古伦被指控策划了一场失败的2016年政变。你知道吗

Eren Erdem是主要被告，我只需要这个名字，但Spacy模型提取了所有人的名字 塔伊普·埃尔多安（总统） 费图拉·古伦 埃尼斯贝贝罗格鲁 图万·古姆鲁库 等等

我需要罪犯的名字而不是总统或警察。你知道吗

我们可以用Python/NER吗？你知道吗

编辑：我们可以在这里应用知识图概念吗？我探索了很多关于它，但找不到令人信服的文章关于这个问题case.it公司如果有人能了解这个概念或提供相关的文章链接，那就太好了。你知道吗

Answer 1

首先，你必须问问自己，文本的某个读者是如何识别罪犯的。代表罪犯的专有名称具有动词的论证功能（可以是“他是罪犯”中的连词动词，也可以是语义上更复杂的动词，如“两年前那个人也犯了谋杀罪”）。这个论证函数（例子中的“主体”）完美地识别了犯罪实体。你要做的是：

1. 识别包含罪犯的句子，包括动词的所谓子范畴框架（给出论点，例如“主语”、“宾语”等）。你知道吗
2. 解析句子，使参数可访问（使用nltk或spaCy）并使用NER
3. 提取实体，该实体既被NER识别，又被赋予实体角色的论据位置中的动词细分
4. 如果有必要，在使用人称代词时执行回指消解，需要与代词所指的实体匹配（你可以想象这是代词的某种引用链）。你知道吗

实际上，没有现成的模型，而是一个语言管道 每个单独的步骤都有实现。对于更详细的内容，您确实需要在实现管道上粘贴一些直接问题的代码。你知道吗

你可以使用机器学习，但为此你需要执行步骤1和2， 所以最好先试试这些步骤。你知道吗

Answer 2

我还在我的项目中使用spacy来提取受害者的名字，我还得到了很多非受害者的名字，比如警官、医生、嫌疑犯等等。spacy这样的工具非常有用，但是你也需要帮助它，以便确定你想要提取的人实体的类型。要过滤掉我想要的名字，我要做的是：

1. 分析文章并识别一些常见的模式。通常，来自相同来源的文章遵循相同的格式。在你的案例中，我查看了给定网站上的一些文章，内容格式如下：“嫌疑人姓名、年龄、被指控/逮捕/其他同义词”或“嫌疑人姓名、谁、被指控/逮捕/其他同义词”。这是犯罪相关文章的一种非常常见的格式。当然，也可能有其他的格式，但不太可能有太多，因为这些网站通常遵循某种标准，或者文章是由少数作者撰写的。你知道吗

你从中看到了什么样的图案？有嫌疑犯名字的句子通常被分成三大块。第一个是名字，后跟逗号，[2]第二个是数字（年龄）或以“谁”开头的描述，后跟逗号，[3]第三个包括类似于“逮捕”的动词，如逮捕、监禁、被告等

在你的例子中：“[1]埃尔德姆，[2]在2018年中期选举中失去了席位，总统塔伊普·埃尔多安获得了新的权力，[3]自6月以来被监禁，并被指控在2014年担任反对派报纸编辑期间发布非法窃听。你知道吗

1. 使用正则表达式仅捕获具有此模式的短语。在Python中：

   进口re 对于结果重新查找（r'（\w+\w+\w+{1,5}，\swho\s（\w+\w+\w+{0,20}，\s（\w+\w+{0,5}）（被捕|入狱）\s（\w+\w+{0,10}'，text，flags=re.I）： 打印(结果.组（））#把这个传给斯帕西 打印(结果.组（）.拆分（“，”[0]）#或此

您可以使用机器学习，但总会有一些结果需要调整。你也可以利用得分。如果文章是关于嫌疑人的，那么最常出现的个人实体往往是嫌疑人本人，其他实体很可能只会被提及几次，有时甚至只提及一次。你知道吗