如何使用 CoreNLP 的 RegexNER 检测具有超过 1 个单词的命名实体？

我在 CoreNLP 中使用 RegexNER 注释器，我的一些命名实体由多个单词组成。摘自我的映射文件：

RAF 抑制剂 DRUG_CLASS

吉尔伯特综合症 疾病

第一个被检测到，但每个单词都获得注释 DRUG_CLASS 并且似乎没有办法链接这些单词，就像两个单词都有的 NER id 一样。

第二种情况根本没有被检测到，这可能是因为标记器将 Gilbert 后面的撇号视为单独的标记。由于 RegexNER 将标记化作为依赖项，因此我无法真正绕过它。

有什么建议来解决这些情况吗？

如果您使用entitymentions注释器将使用相同的 ner 标签从连续标记中创建实体提及。缺点是，如果两个相同类型的实体并排，它们将连接在一起。我们正在努力改进 ner 系统，因此我们可能会包含一个新模型，该模型可以在这些情况下找到不同提及的边界，希望这将进入斯坦福 CoreNLP 3.8.0。

以下是一些用于访问实体提及的示例代码：

package edu.stanford.nlp.examples;

import edu.stanford.nlp.pipeline.*;
import edu.stanford.nlp.ling.*;
import edu.stanford.nlp.util.*;

import java.util.*;

public class EntityMentionsExample {

  public static void main(String[] args) {
    Annotation document =
        new Annotation("John Smith visted Los Angeles on Tuesday.");
    Properties props = new Properties();
    props.setProperty("annotators", "tokenize,ssplit,pos,lemma,ner,entitymentions");
    StanfordCoreNLP pipeline = new StanfordCoreNLP(props);
    pipeline.annotate(document);

    for (CoreMap entityMention : document.get(CoreAnnotations.MentionsAnnotation.class)) {
      System.out.println(entityMention);
      System.out.println(entityMention.get(CoreAnnotations.TextAnnotation.class));
    }
  }
}

如果您只是以与标记器相同的方式对规则进行标记，它将正常工作，因此例如规则应该是Gilbert 's syndrome.

因此，您只需对所有文本模式运行分词器，这个问题就会消失。