negspacy

Negspacy: Negation für Spacy

Spacy -Pipeline -Objekt zum Negieren von Konzepten im Text. Basierend auf dem Negex -Algorithmus.

Negex - Ein einfacher Algorithmus zur Identifizierung negierter Befunde und Krankheiten in Entlassungsfassen Chapman, Bridewell, Hanbury, Cooper, Buchanan https://doi.org/10.1006/jbin.2001.1029

Was ist neu

Version 1.0 ist ein Hauptversions -Update, das die neue Schnittstelle von Spacy 3.0 für das Hinzufügen von Pipeline -Komponenten unterstützt. Infolgedessen ist es nicht rückwärts kompatibel mit früheren Versionen von Negspacy.

Wenn Ihr Projekt Spacy 2.3.5 oder früher verwendet, müssen Sie Version 0.1.9 verwenden. Siehe Archived Readme.

Installation und Verwendung

Installieren Sie die Bibliothek.

pip install negspacy

Bibliothek und Spacing importieren.

 import spacy
from negspacy . negation import Negex

Laden Sie das Spacy -Sprachmodell. Fügen Sie das Negspacy -Pipeline -Objekt hinzu. Die Filterung der Entitätstypen ist optional.

 nlp = spacy . load ( "en_core_web_sm" )
nlp . add_pipe ( "negex" , config = { "ent_types" :[ "PERSON" , "ORG" ]})

Negationen anzeigen.

 doc = nlp ( "She does not like Steve Jobs but likes Apple products." )

for e in doc . ents :
	print ( e . text , e . _ . negex )

 Steve Jobs True
Apple False

Überlegen Sie, wie Sie mit der Schärfe zusammenpassen, um UMLS -Konzepte in Text- und Prozessnegationen zu finden.

Negex -Muster

• Pseudo_Negations - Phrasen, die falsche Auslöser, mehrdeutige Negationen oder doppelte Negative sind
• vorhed_negations - Negationsphrasen, die einer Entität vorausgehen
• folgende_negationen - Negationsphrasen, die einer Entität folgen
• Kündigung - Phrasen, die einen Satz in Teilen zum Zwecke der Negationserkennung (.EG, "aber") abschneiden)

Begriffe

Bezeichnende Termset, die verwendet werden soll, wird standardmäßig en_clinical verwendet.

• en = Phrasen für den allgemeinen englischsprachigen Text
• en_clinical DEFAULT = Fügt Phrasen hinzu, die für die klinische Domäne spezifisch sind, dem allgemeinen Englisch
• en_clinical_sensitive = fügt zusätzliche Phrasen hinzu, um historische und möglicherweise irrelevante Entitäten auszuschließen

Zu setzen:

 from negspacy . negation import Negex
from negspacy . termsets import termset

ts = termset ( "en" )

nlp = spacy . load ( "en_core_web_sm" )
nlp . add_pipe (
    "negex" ,
    config = {
        "neg_termset" : ts . get_patterns ()
    }
)

Zusätzliche Funktionalität

Ändern Sie die verwendeten Muster oder Ansichtsmuster

Ersetzen Sie alle Muster durch Ihren eigenen Satz

 nlp = spacy . load ( "en_core_web_sm" )
nlp . add_pipe (
    "negex" , 
    config = {
        "neg_termset" :{
            "pseudo_negations" : [ "might not" ],
            "preceding_negations" : [ "not" ],
            "following_negations" :[ "declined" ],
            "termination" : [ "but" , "however" ]
        }
    }
    )

Fügen Sie individuelle Muster im laufenden Fliegen von eingebauten Begriffen hinzu und entfernen Sie sie

 from negspacy . termsets import termset
ts = termset ( "en" )
ts . add_patterns ({
            "pseudo_negations" : [ "my favorite pattern" ],
            "termination" : [ "these are" , "great patterns" , "but" ],
            "preceding_negations" : [ "wow a negation" ],
            "following_negations" : [ "extra negation" ],
        })
#OR
ts . remove_patterns (
        {
            "termination" : [ "these are" , "great patterns" ],
            "pseudo_negations" : [ "my favorite pattern" ],
            "preceding_negations" : [ "denied" , "wow a negation" ],
            "following_negations" : [ "unlikely" , "extra negation" ],
        }
    )

Im verwendete Ansichtsmuster anzeigen

 from negspacy . termsets import termset
ts = termset ( "en_clinical" )
print ( ts . get_patterns ())

Negationen in Substantivstücken

Abhängig vom benannten Entitätserkennungsmodell, das Sie verwenden, haben Sie möglicherweise Negationen, die mit Substantiven zusammengeführt werden. Zum Beispiel:

 nlp = spacy . load ( "en_core_sci_sm" )
doc = nlp ( "There is no headache." )
for e in doc . ents :
    print ( e . text )

# no headache

Dies würde dazu führen, dass der Negex -Algorithmus die vorhergehende Negation verpasst. Um dies zu berücksichtigen, können Sie ein chunk_prefix hinzufügen:

 nlp = spacy . load ( "en_core_sci_sm" )
ts = termset ( "en_clinical" )
nlp . add_pipe (
    "negex" ,
    config = {
        "chunk_prefix" : [ "no" ],
    },
    last = True ,
)
doc = nlp ( "There is no headache." )
for e in doc . ents :
    print ( e . text , e . _ . negex )

# no headache True 

Beitragen

beitragen

Autoren

• Jeno Pizarro

Lizenz

Lizenz

Andere Bibliotheken

Diese Bibliothek ist im Spacy -Universum zu sehen. Probieren Sie es für andere nützliche Bibliotheken und Inspirationen aus.

Wenn Sie nach einem Spacy -Pipeline -Objekt suchen, um Werte zu extrahieren, die einer benannten Entität (z. B. Geburtsdaten, Kontonummern oder Laborergebnissen) entsprechen, schauen Sie sich die Extraktakatur an.