希伯来语中的空格句子标记化错误

问题描述

正在尝试对希伯来语使用拼写句子标记化。

import spacy
nlp = spacy.load('he')
doc = nlp(text)
sents = list(doc.sents)

我得到：

    Warning: no model found for 'he'

    Only loading the 'he' tokenizer.

Traceback (most recent call last):   
  ...
    sents = list(doc.sents)   
  File "spacy/tokens/doc.pyx", line 438, in __get__ (spacy/tokens/doc.cpp:9707)
    raise ValueError( ValueError: Sentence boundary detection requires the dependency parse, which requires data to be installed. For more info, see the documentation:  https://spacy.io/docs/usage

怎么办？

---

解决方案

Spacy的Hebrew coverage目前非常小。它目前只有word希伯来语的标记化，大致在空格上拆分，有一些额外的规则和例外。您需要的句子词汇化/边界检测需要对句子进行更复杂的语法分析，以确定一个句子在哪里结束，另一个句子在哪里开始。这些模型需要大量带标签的训练数据，因此可用于比标记化(here的列表)更少的语言。

最初的消息是告诉您它可以执行标记化，这不需要模型，然后您得到的错误是由于没有模型来分句、执行NER或POS等。

您可以在this list中查找希伯来语NLP的其他资源。如果您找到了足够多的正确格式的标签数据，并且感觉雄心勃勃，您可以使用上述概述here训练您自己的希伯来语拼写模型。