这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

基于Spacy库与Levenshtein算法的西班牙语地名实体识别对比研究

作者及机构
本研究由Universidad del Azuay的Marcos Orellana（marore@uazuay.edu.ec）和Catalina Fárez（cfarez19@es.uazuay.edu.ec），以及Universidad de Cuenca的Paúl Cárdenas（paul.cardenas@ucuenca.edu.ec）合作完成，发表于2020年IEEE国际数字转型与创新技术会议（INCODTRIN），DOI编号10.1109/incodtrin51881.2020.00035。

学术背景
研究领域为自然语言处理（NLP）中的命名实体识别（Named Entity Recognition, NER），重点关注西班牙语文本中地理位置标签的提取。当前，社交媒体和网站产生的非结构化文本激增，但针对西班牙语的NER工具研究较少，且现有工具（如基于规则或机器学习的方法）性能差异显著。研究团队旨在通过对比两种主流技术——基于神经网络的Spacy库和基于编辑距离的Levenshtein算法，确定最适合西班牙语地名识别的方案。

研究背景知识包括：
1. NER技术：分为规则驱动和机器学习驱动两类，后者通过训练数据自动生成识别规则，精度可达0.95。
2. Levenshtein算法：通过计算字符串间的最小编辑距离（插入、删除、替换操作次数）衡量相似性，阈值（threshold）范围为0-1。
3. 语言特殊性：西班牙语的地名常含复合词（如“Avenida Enrique Arizaga”），需处理词形变化和缩写。

研究目标为：
- 评估Spacy和Levenshtein在西班牙语地名识别中的性能差异；
- 提出适用于拉丁美洲城市（如厄瓜多尔昆卡）的优化方案。

研究流程
研究分为四个阶段，具体如下：

1. 数据采集与预处理

   • 数据集：通过Twitter API获取2017年昆卡市交通事故推文1,030条，来源包括ECU 911等应急机构账号。
     
   • 清洗步骤：
     
     • 转为小写；
       
     • 移除URL链接；
       
     • 删除标点符号（如@、#）；
       
     • 分词（tokenizer）处理。
       

2. 人工标注与词典构建

   • 标注工具：使用Doccano手动标记地名实体（如“loc”标签），示例：
     json {"text": "Socorristas auxilian... en Av Enrique Arizaga", "labels": [[77, 92, "loc"]]}
     
   • 地理词典：包含昆卡市的街道、公园、教区、社区四类地名，每条记录含ID、类别、全称和缩写（如“Presidente Antonio Borrero”缩写为“Borrero”）。

3. 实验设计

   • Spacy参数：
     
     • 训练集80%、验证集20%；
       
     • Dropout率0.3（防止过拟合）；
       
     • 测试组合：是否使用词典（0/1）和是否分n-gram（0/1），共4组实验（T1-T4）。
       
   • Levenshtein参数：设置阈值0.6-0.9，共4组测试。
     

4. 性能评估

   • 指标：精确率（Precision）、召回率（Recall）、F1值（F-measure）；
     
   • 验证方法：对比算法输出与人工标注的混淆矩阵（TP/TN/FP/FN）。

主要结果
1. Spacy性能
- 最佳结果为T1（无词典、无n-gram）：精确率96.2%、召回率96.9%、F1值96.5%。
- 使用词典时（T3/T4），精确率降至78%，因拼写错误导致词典匹配失败，但召回率仍高达97.2%，显示神经网络对噪声的鲁棒性。

1. Levenshtein性能

   • 阈值0.9时（T1），精确率63%、召回率65.2%；阈值降至0.6后，性能骤减（F1值38.1%）。
     
   • 算法高度依赖词典完整性和阈值设定，拼写容错能力弱。
     

2. 对比分析

   • Spacy在F1值上领先Levenshtein约20%（86.1% vs 65.5%），但耗时多7秒（108秒 vs 101秒）；
     
   • Spacy的神经网络能学习地名模式，而Levenshtein仅依赖字符级相似性。

结论与价值
1. 科学价值：
- 证明机器学习驱动的NER在西班牙语中的优越性，尤其适用于社交媒体文本的噪声环境；
- 提出针对西班牙语地名的Spacy参数优化方案（如禁用词典以提升精度）。

1. 应用价值：
   
   • 为拉丁美洲城市的应急响应（如交通事故定位）提供自动化工具；
     
   • 弥补西班牙语NER研究的空白，支持后续多语言扩展。
     

研究亮点
- 创新方法：首次系统对比Spacy与Levenshtein在西班牙语NER中的表现；
- 数据特殊性：聚焦昆卡市地理名称，构建定制化词典；
- 可复现性：公开参数组合和评估指标，便于其他研究验证。

其他贡献
- 提出Dropout率0.3为NER任务的最优值（引用自作者前期研究）；
- 强调社交媒体文本预处理（如去除URL）对提升NER性能的关键作用。

此研究为西班牙语信息提取领域提供了方法论和实践指导，未来可扩展至其他实体类型（如人名、组织名）。