scispacy

收录理由

scispaCy 专为科研论文、临床记录及其他生物医学文本的文本挖掘而设计。通用 spaCy 模型面对密集的医学术语时常力不从心，因此该项目在 spaCy 规则分词器之上增加了定制分词器，并提供了基于生物医学语料训练的词性标注、句法分析和实体跨度检测模型。模型加载方式与标准 spaCy 一致，已有流程几乎无需改动即可接入。针对 CRAFT、JNLPBA、BC5CDR 和 BIONLP13CG 语料训练出的独立命名实体识别模型，能够识别基因、化学物质和疾病提及；缩写检测器和 UMLS 实体链接器等附加组件则帮助处理科学写作中较为杂乱的部分。从轻量到重量级，再到基于 SciBERT 的版本，用户可以根据实际场景在速度与精度之间取舍——无论是批量处理数百万篇摘要，还是运行实时标注服务。