我通过使用crf训练自定义模型进行一些测试，并且由于我没有适当的训练文件，因此我想自己列出5个标签和10个单词的清单，并且计划是将来继续使用更多传入数据来改进模型。但是我得到的结果是很多误报（它标记了许多单词，这些单词与训练文件中的原始单词无关），我想因为创建的模型是概率性的，并且考虑的不仅仅是单个单词
假设我想训练corenlp来检测少量单词而不关心上下文，是否有一些特殊设置？如果没有，是否有一种方法可以计算出获得准确模型所需的数据量？
经过一些测试和研究后，发现RegexNER对于我的案例而言确实是一个不错的选择，它可以确定性地工作，也可以与NER结合使用。到目前为止，尝试使用较小的规则集，效果很好。下一步是确定在高流量压力情况下（我感兴趣的情况）的可伸缩性和可用性，并与基于python的其他解决方案进行比较