Étiqueter les mots avec spaCy

Vous n’avez pas besoin d’étiqueter les mots à la main. spaCy lit une phrase et attribue automatiquement une catégorie grammaticale à chaque token. ⚡

Commencez par charger un modèle entraîné. Le petit modèle anglais en_core_web_sm sait immédiatement étiqueter, analyser et reconnaître les entités.

Appelez nlp() sur une chaîne pour obtenir un Doc. Le Doc contient chaque token ainsi que les étiquettes que spaCy a déjà déterminées pour vous.

Un Doc est itérable : vous pouvez donc le parcourir token par token. Chaque token est un objet riche qui contient son texte et ses informations grammaticales.

Chaque token possède un attribut pos_ qui contient son étiquette universelle, comme NOUN ou VERB. Le trait de soulignement final fournit la chaîne lisible.

Pour obtenir plus de détails, lisez token.tag_. Cette propriété fournit une étiquette précise comme VBZ pour un verbe au présent, au-delà de la catégorie générale pos_.

Vous avez oublié la signification d’un code ? Appelez spacy.explain() avec une étiquette : la fonction renvoie immédiatement une description en anglais courant.

spaCy détermine chaque étiquette à partir de la phrase entière, et non d’une table de correspondance. C’est pourquoi book peut être étiqueté NOUN ou VERB selon son emploi.

Une fois les étiquettes disponibles, le filtrage est simple. Conservez uniquement les tokens dont pos_ est égal à VERB pour récupérer tous les mots d’action du texte.

spaCy étiquette des milliers de mots par seconde : vous pouvez donc l’exécuter sur de grands documents sans attendre. Il est conçu pour les applications utilisées en production.

Le même modèle chargé s’occupe également de l’analyse syntaxique et des entités. Le marquage n’est qu’une partie du pipeline complet de spaCy, exécuté sur chaque Doc.

Vous avez chargé un modèle, traité du texte et lu pos_ ainsi que tag_ pour chaque token. spaCy transforme des phrases brutes en mots étiquetés en seulement quelques lignes. 🎉