spaCy - 简介

在本章中，我们将了解 spaCy 的功能、扩展和可视化工具。此外，还提供了功能比较，帮助读者分析 spaCy 提供的功能与自然语言工具包 (NLTK) 和 coreNLP 的对比。这里，NLP 指的是自然语言处理。

什么是 spaCy？

spaCy 由软件开发人员Matthew Honnibal 和Ines Montani 开发，是一个用于高级 NLP 的开源软件库。它使用Python 和Cython（Python 的 C 扩展，主要旨在为 Python 语言程序提供类似 C 的性能）编写。

spaCy 是一个相对较新的框架，但也是功能最强大和最先进的库之一，用于实现 NLP。

特性

下面解释了 spaCy 一些使其流行的功能 −

快速 − spaCy 特别设计为尽可能快。

准确性 − spaCy 对其标记依赖关系解析器的实现使其成为同类中最准确的框架之一（在最佳可用框架的 1% 以内）。

内置功能 − spaCy 内置的功能如下 −

• 索引保留分词。

• “Alpha 分词”支持 50 多种语言。

• 词性标注。

• 预训练词向量。

• 内置简单美观的命名实体和句法可视化工具。

• 文本分类。

可扩展性 − 可以轻松地将 spaCy 与其他现有工具（如 TensorFlow、Gensim、scikit-Learn 等）一起使用。

深度学习集成 − 它具有 Thinc——一个专为 NLP 任务设计的深度学习框架。

扩展和可视化工具

下面列出了一些 spaCy 附带的易于使用的扩展和可视化工具，它们是免费的开源库 −

Thinc − 它是一个针对中央处理器 (CPU) 使用优化的机器学习 (ML) 库。它也专为文本输入和 NLP 任务的深度学习而设计。

sense2vec − 此库用于计算词语相似度。它基于 Word2vec。

displaCy − 它是一个开源的依赖关系解析树可视化工具。它使用 JavaScript、CSS（层叠样式表）和 SVG（可缩放矢量图形）构建。

displaCy ^ENT − 它是 spaCy 附带的内置命名实体可视化工具。它使用 JavaScript 和 CSS 构建。它允许用户在浏览器中检查其模型的预测。

功能比较

下表显示了 spaCy、NLTK 和 CoreNLP 提供的功能的比较 −

基准测试

spaCy 拥有世界上最快的句法解析器，并且具有最高的准确性（在最佳可用解析器的 1% 以内）。

下表显示了 spaCy 的基准测试 −