python spacy 在 window 中寻找两个（或更多）单词

Question

我正在尝试识别文本中的概念。我经常认为，当两个或多个单词彼此相对接近时，一个概念就会出现在文本中。例如，一个概念可以是任何一个词森林、树木、自然在距离小于 4 个字的地方着火、燃烧、过热

我正在学习 spacy，到目前为止我可以像这样使用匹配器：

import spacy
from spacy.matcher import Matcher
nlp = spacy.load("en_core_web_sm")
matcher = Matcher(nlp.vocab)
matcher.add("HelloWorld", None, [{"LOWER": "hello"}, {"IS_PUNCT": True}, {"LOWER": "world"}],[{"LOWER": "hello"}, {"LOWER": "world"}])

这将匹配 hello world 和 hello, world（或 tree firing上面提到的例子）

我正在寻找一种解决方案，该解决方案可以在 window 为 5 的范围内产生单词 Hello 和 World 的匹配项单词。

我查看了： https://spacy.io/usage/rule-based-matching

和那里描述的运算符，但我无法将这个词-window 方法放入 "spacy" 语法中。

此外，我也无法将其推广到更多单词。

一些想法？谢谢

Answer 1

对于一个有K个词的window，其中K比较小，你可以在你的词之间添加K-2个可选的通配符。 Wildcard 表示 "any symbol"，在 Spacy 术语中它只是一个空字典。可选表示令牌可能存在也可能不存在，在Spacy中被编码为{"OP": "?"}。

因此，您可以将匹配器写成

import spacy
from spacy.matcher import Matcher
nlp = spacy.load("en_core_web_sm")
matcher = Matcher(nlp.vocab)
matcher.add("HelloWorld", None, [{"LOWER": "hello"}, {"OP": "?"},  {"OP": "?"}, {"OP": "?"}, {"LOWER": "world"}])

这意味着您要寻找 "hello"，然后是 0 到 3 个任何类型的标记，然后是 "world"。例如，对于

doc = nlp(u"Hello brave new world")
for match_id, start, end in matcher(doc):
    string_id = nlp.vocab.strings[match_id]
    span = doc[start:end]
    print(match_id, string_id, start, end, span.text)

它会打印你

15578876784678163569 HelloWorld 0 4 Hello brave new world

如果您还想匹配其他订单 (world ? ? ? hello)，则需要将第二个对称模式添加到匹配器中。

Answer 2

我对 spaCy 比较陌生，但我认为以下模式应该适用于 'hello' 和 'world' 之间由 ASCII 字符组成的任意数量的标记：

[{"LOWER": "hello"}, {'IS_ASCII': True, 'OP': '*'}, {"LOWER": "world"}]

我使用 Explosion 的 rule-based match explorer 对其进行了测试并且它有效。重叠匹配将 return 只有一个匹配（例如，“hello and I do mean hello world'）。

python spacy 在 window 中寻找两个（或更多）单词

python spacy looking for two (or more) words in a window

python

nlp

spacy

matcher