我目前正在尝试使用SpaCy NER，并想知道SpaCy NER是否能做到以下两件事：
案例1
假设我们有两句话要进行NER处理：
- 他体内的血糖水平在上升。
- 他的整体健康质量在上升。
我们能否将第一句话中的“上升”标记为“症状”实体，而将第二句话中的“上升”标记为“良好结果”实体？NER能否区分这两个“上升”词的不同之处？
案例2
我们还有两句话不同：
- 我的月薪是8000美元
- 我的月支出是5000美元
NER能否将第一句话中的数字标记为“收入”实体，而将第二句话中的数字标记为“支出”实体？
谢谢
回答：
这些任务在许多方面超出了您对NER模型期望的能力。Spacy的NER算法可以用来查找如MONEY（这是其英语模型中的一种实体类型）或可能是SYMPTOM这样的实体类型，但它在检测/分类实体时不会考虑非常大的上下文，因此无法区分这些相关上下文较远的情况。
您可能需要将NER（或其他类型的相关范围检测，这也可以是基于规则的）与更关注上下文的其他类型分析结合起来。这可以是某种文本分类，您可以检查依赖解析等。
这里是从spacy文档中提取的一个简单示例，关于使用NER（查找MONEY）然后检查依赖解析来尝试找出金钱元素可能指的是什么的实体关系提取：
