ドメイン固有のルールでSpaCy Englishモデルを拡張するには？

Question

私は、ユニークなサブジェクトドメインの英語のテキストに対してNLPタスクにSpaCyを使用しています。私はSpaCyの現存する英語モデル（具体的には私は'en_core_web_md'から始まっています）を段階的に改善し、同僚が簡単に再利用できるようにパッケージ化したいと思います。

私の最初の変更は、トークナイザの簡単な変更です。私は、カスタムクラスを定義することによって開始しました：

class DomainSpecificEnglish(English.Defaults): 
    lang = 'en_mydomain' 

    class Defaults(English.Defaults): 
     # my custom changes the tokenizer here 


spacy.util.set_lang_class(DomainSpecificEnglish.lang, DomainSpecificEnglish) 

今のところ、私はen_core_web_mdの語彙と単語ベクトルを使い続けるでしょう（後、私はあまりにもこれらを再訓練します）。しかし、SpaCyはlang文字列を介してこれらのモデルファイルを探しますが、これはもはや"en"ではありません。

既に構築されたモデルに依存するドメイン固有の「言語」サブクラスを構築するにはどうすればよいですか？ en_core_web_mdファイルをen_mydomainというディスク上の新しいフォルダに明示的にコピーする必要がありますか？

これがうまくいけば、私は同僚がインストールできるPythonの卵としてこの小さなプロジェクト（1クラス）をパッケージ化したいと考えています。理想的には、ディスク上のファイルを移動するために、追加のインストール後のコマンドも実行する必要はありません。

Answer 1

docsから、あなたはそうのようなリンクを作成することができます。

python -m spacy link en_core_web_md en_mydomain 

これは単なるシンボリックリンクを作成しますので、何のファイルがコピーされていないと、それはすぐに完了します。