斯坦福核心NLP NER输出

Question

我曾使用grep和awk从斯坦福CRF-NER的“内联XML”中提取英语文本中的命名实体，我希望在其他人类语言中使用相同的更大工作流。

我一直在尝试法语（西班牙语似乎给我带来了一个Java错误，这是另一个故事），并使用Java-cp stanford-corenlp-4.0.0/stanford-corenlp-4.0.0。jar:stanford-corenlp-4.0.0-models-french。jar edu。斯坦福。nlp。管道StanfordCoreNLP-属性StanfordCoreNLP法语。属性-文件法语。txt-outputFormat text我得到标准文本输出，每个句子都有各种类型的注释，包括正确组合在一起的多单词实体，如下所示：

Extracted the following NER entity mentions:
Puget Sound LOC I-LOC:0.9822963367809222
lac Washington  LOC I-LOC:0.9908561818309122
Canada  LOC I-LOC:0.9804363858330243
États-Unis  LOC I-LOC:0.9973224740712531

我知道解析它是可能的，但当我真的只是想要整个文件中的实体列表时，这似乎浪费了很多处理。

我还能够使用java-cp stanford-corenlp-4.0.0/stanford-corenlp-4.0.0获得单词和ner类型的列。jar:stanford-corenlp-4.0.0-models-french。jar edu。斯坦福。nlp。管道StanfordCoreNLP-属性StanfordCoreNLP法语。属性-文件法语。txt-输出。word、ner和outputFormat conll列

Puget   I-LOC
Sound   I-LOC
et  O
le  O
lac I-LOC
Washington  I-LOC
,   O
à   O
environ O
155 O
km  O
à   O
le  O
sud O
de  O
la  O
frontière   O
entre   O
le  O
Canada  I-LOC
et  O
les O
États-Unis  I-LOC
.   O

除了有点凌乱之外，这还会将多个单词实体分开，从而无法按比例重新缝合。

我更喜欢内联xml（例如

我已经研究了实体提及注释器，但我还没有弄清楚，如果它需要培训，那么我宁愿不使用它。默认文本输出的分组足以满足我的需要。




Answer 1

我在GitHub上的最新代码中添加了inlineXML作为ouputFormat选项。这个变化在刚刚发布的4.1.0版本中不可用。GitHub网站上有关于如何将代码构建到jar中的说明。

GitHub网站：https://github.com/stanfordnlp/CoreNLP