Обучение пользовательской модели NER

Я тренировал свою модель NER на каком-то тексте и пытался найти в нем города с настраиваемыми объектами.

Пример:-

    ('paragraph Designated Offices Party A New York Party B Delaware paragraph pricing source calculation Market Value shall generally accepted pricing source reasonably agreed parties paragraph Spot rate Spot Rate specified paragraph reasonably agreed parties',
  {'entities': [(37, 41, 'DesignatedBankLoc'),(54, 62, 'CounterpartyBankLoc')]})

Я ищу здесь 2 сущности DesignatedBankLoc и CounterpartyBankLoc. Также для отдельного текста может быть несколько сущностей.

в настоящее время я тренируюсь на 60 строках данных следующим образом:

import spacy
import random
def train_spacy(data,iterations):
    TRAIN_DATA = data
    nlp = spacy.blank('en')  # create blank Language class
    # create the built-in pipeline components and add them to the pipeline
    # nlp.create_pipe works for built-ins that are registered with spaCy
    if 'ner' not in nlp.pipe_names:
        ner = nlp.create_pipe('ner')
        nlp.add_pipe(ner, last=True)


    # add labels
    for _, annotations in TRAIN_DATA:
         for ent in annotations.get('entities'):
            # print (ent[2])
            ner.add_label(ent[2])

    # get names of other pipes to disable them during training
    other_pipes = [pipe for pipe in nlp.pipe_names if pipe != 'ner']
    with nlp.disable_pipes(*other_pipes):  # only train NER
        optimizer = nlp.begin_training()
        for itn in range(iterations):
            print("Statring iteration " + str(itn))
            random.shuffle(TRAIN_DATA)
            losses = {}
            for text, annotations in TRAIN_DATA:
                nlp.update(
                    [text],  # batch of texts
                    [annotations],  # batch of annotations
                    drop=0.5,  # dropout - make it harder to memorise data
                    sgd=optimizer,  # callable to update weights
                    losses=losses)
            print(losses)
    return nlp


prdnlp = train_spacy(TRAIN_DATA, 100)

Моя проблема: -

Модель предсказывает правильно, если ввод отличается / тот же образец текста содержит обученные города. Модель не прогнозирует ни одну из сущностей, даже если одинаковый / другой шаблон текста, но разные города, что никогда не встречается в наборе обучающих данных.

Пожалуйста, подскажите, почему это происходит, пожалуйста, дайте мне понять концепцию, как это происходит?