感谢你报告这个问题！
虽然我理解基于依赖解析的句子分割是概率性的，并不总是正确，但这里似乎存在一些语言之间的不一致性。你能详细说明一下这些不一致性吗？
我认为空白标记永远不会被分配为句子的开始。
虽然这是一个合理的解释，但请记住，spaCy的预训练模型(如it_core_news_xx)是在自然语言语料库上训练的。\n是一个control character,而不是出现在自然(意大利或其他)文本中的内容，因此在这里训练的模型性能可能不会很好。
我建议你从你的文本中删除这样的字符，或者使用sentencizer component(如果需要的话，根据你的使用情况进行调整)。

你能详细解释一下语言之间的不一致性吗？
我认为这种行为在意大利语中比其他语言更常见。除了笔记本中的例子，英语似乎能够识别出2个句子，而意大利语能识别出3个，我还在处理一个部分平行语料库，意大利语的平均句子/文档数明显高于任何其他语言(21 vs 14-16),这让我认为这是一个意大利语特有的问题。
我建议从你的文本中删除这些字符，或者使用 sentencizer component (并根据需要调整它)。
我原本希望使用解析器方法，因为文档中的标点符号并不理想，但我尝试了添加 \n 到 chars 列表中的 sentencizer,实际上效果还不错。这也缩小了意大利语与其他语言的句子/文档差距(现在是19 vs 15-16),所以我认为这进一步表明依赖句法分析器之间存在一些行为差异。

这可能是空白增强出现问题，它只应该将空白附加到前一个标记上，而不是创建新的句子。我们稍后可能会对此进行研究。
我们正在使用这个增强与语料库一起使用-请随时查看并/或使用修改后的设置训练自己的模型：

[corpora.train.augmenter]
@augmenters = "spacy.combined_augmenter.v1"
lower_level = 0.1
whitespace_level = 0.1
whitespace_per_token = 0.05
whitespace_variants = "[\" \",\"\\t\",\"\\n\",\"\\u000b\",\"\\f\",\"\\r\",\"\\u001c\",\"\\u001d\",\"\\u001e\",\"\\u001f\",\" \",\"\\u0085\",\"\\u00a0\",\"\\u1680\",\"\\u2000\",\"\\u2001\",\"\\u2002\",\"\\u2003\",\"\\u2004\",\"\\u2005\",\"\\u2006\",\"\\u2007\",\"\\u2008\",\"\\u2009\",\"\\u200a\",\"\\u2028\",\"\\u2029\",\"\\u202f\",\"\\u205f\",\"\\u3000\"]"
orth_level = 0.0
orth_variants = null