一个SpanResolver组件接收标记（表示为长度为1的Span对象），并将它们解析为任意长度的Span对象。最初的应用场景是作为词级别共指消解的后处理步骤。用于存储Span对象的输入和输出键是可配置的。

Assigned Attributes

预测结果将保存到Doc.spans中作为SpanGroups。

输入标记跨度将使用输入前缀读取，默认为"coref_head_clusters"，输出跨度将使用输出前缀（默认为"coref_clusters"）加上从1开始的序列号保存。这些前缀是可配置的。

配置与实现

默认配置由管道组件工厂定义，描述了组件应如何配置。您可以通过nlp.add_pipe中的config参数或在训练用的config.cfg中覆盖其设置。有关架构及其参数和超参数的详细信息，请参阅模型架构文档。

SpanResolver.__init__ 方法

创建一个新的管道实例。在您的应用程序中，通常会使用快捷方式，通过其字符串名称并使用nlp.add_pipe来实例化该组件。

SpanResolver.__call__ 方法

将管道应用于单个文档。文档会被原地修改并返回。 这通常在调用nlp对象处理文本时自动完成， 所有管道组件会按顺序应用于Doc对象。 __call__和pipe方法都会委托给 predict和set_annotations方法执行。

SpanResolver.pipe 方法

将管道应用于文档流。这通常在调用nlp对象处理文本时自动完成，所有管道组件会按顺序应用于Doc对象。无论是__call__还是pipe方法，最终都会委托给predict和set_annotations方法执行。

SpanResolver.initialize 方法

初始化组件以进行训练。get_examples应是一个返回可迭代Example对象的函数。至少需要提供一个示例。这些数据示例用于初始化组件模型，可以是完整的训练数据或代表性样本。初始化过程包括验证网络、推断缺失形状以及根据数据设置标签方案。该方法通常由Language.initialize调用。

SpanResolver.predict 方法

将组件的模型应用于一批Doc对象，而不修改它们。预测结果以MentionClusters列表形式返回，每个输入Doc对应一个。MentionClusters实例实际上是由整数对列表组成的列表，其中每个项对应一个输入SpanGroup，而这些整数对则对应标记索引。

SpanResolver.set_annotations 方法

修改一批文档，使用Doc.spans中的输出前缀保存预测结果。

SpanResolver.update 方法

从一批Example对象中学习。委托给predict。

SpanResolver.create_optimizer 方法

为管道组件创建一个优化器。

SpanResolver.use_params 方法上下文管理器

修改管道的模型，以使用给定的参数值。在上下文结束时，原始参数将被恢复。

SpanResolver.to_disk 方法

将管道序列化到磁盘。

SpanResolver.from_disk 方法

从磁盘加载管道。就地修改对象并返回它。

SpanResolver.to_bytes 方法

将管道序列化为字节串。

SpanResolver.from_bytes 方法

从字节串加载管道。原地修改对象并返回它。

序列化字段

在序列化过程中，spaCy会导出多个用于恢复对象不同方面的数据字段。如果需要，您可以通过exclude参数传入字符串名称来将它们排除在序列化之外。