Matcher e PhraseMatcher do spaCy

Processamento de Linguagem Natural com spaCy

Azadeh Mobasher

Principal Data Scientist

Matcher no spaCy

Padrões de RegEx podem ser complexos, difíceis de ler e depurar.
O spaCy oferece uma alternativa legível e pronta para produção: a classe Matcher.

import spacy
from spacy.matcher import Matcher

nlp = spacy.load("en_core_web_sm")
doc = nlp("Good morning, this is our first day on campus.")

matcher = Matcher(nlp.vocab)

Matcher no spaCy

A saída inclui os índices de tokens de início e fim do padrão encontrado.

pattern = [{"LOWER": "good"}, {"LOWER": "morning"}]

matcher.add("morning_greeting", [pattern])

matches = matcher(doc)
for match_id, start, end in matches:
    print("Start token: ", start, " | End token: ", end, 
          "| Matched text: ", doc[start:end].text)

>>> Start token:  0  | End token:  2 | Matched text:  Good morning

Suporte a sintaxe estendida do Matcher

Permite operadores ao definir padrões de correspondência.
Operadores semelhantes aos in, not in e comparações do Python

Atributo	Tipo de valor	Descrição
`IN`	qualquer tipo	Valor do atributo é membro de uma lista
`NOT_IN`	qualquer tipo	Valor do atributo não é membro de uma lista
`==`, `>=`, `<=`, `>`, `<`	int, float	Operadores de comparação para testar igualdade ou desigualdade

Suporte a sintaxe estendida do Matcher

Usando o operador IN para corresponder good morning e good evening

doc = nlp("Good morning and good evening.")
matcher = Matcher(nlp.vocab)
pattern = [{"LOWER": "good"}, {"LOWER": {"IN": ["morning", "evening"]}}]
matcher.add("morning_greeting", [pattern])
matches = matcher(doc)

Saída da correspondência com o operador IN

for match_id, start, end in matches:
    print("Start token: ", start, " | End token: ", end,
          "| Matched text: ", doc[start:end].text)

>>> Start token:  0  | End token:  2 | Matched text:  Good morning
Start token:  3  | End token:  5 | Matched text:  good evening

PhraseMatcher no spaCy

A classe PhraseMatcher encontra uma longa lista de expressões em um texto.

from spacy.matcher import PhraseMatcher
nlp = spacy.load("en_core_web_sm")
matcher = PhraseMatcher(nlp.vocab)
terms = ["Bill Gates", "John Smith"]

PhraseMatcher no spaCy

A saída do PhraseMatcher inclui os índices de tokens de início e fim do padrão encontrado

patterns = [nlp.make_doc(term) for term in terms]
matcher.add("PeopleOfInterest", patterns)

doc = nlp("Bill Gates met John Smith for an important discussion regarding 
           importance of AI.")

matches = matcher(doc)
for match_id, start, end in matches:
    print("Start token: ", start, " | End token: ", end, 
          "| Matched text: ", doc[start:end].text)

>>> Start token:  0  | End token:  2 | Matched text:  Bill Gates
Start token:  3  | End token:  5 | Matched text:  John Smith

PhraseMatcher no spaCy

Podemos usar o argumento attr da classe PhraseMatcher

matcher = PhraseMatcher(nlp.vocab, attr = "LOWER")

terms = ["Government", "Investment"]
patterns = [nlp.make_doc(term) for term in terms]
matcher.add("InvestmentTerms", patterns)
doc = nlp("It was interesting to the investment division of the government.")

matcher = PhraseMatcher(nlp.vocab, attr = "SHAPE")

terms = ["110.0.0.0", "101.243.0.0"]
patterns = [nlp.make_doc(term) for term in terms]
matcher.add("IPAddresses", patterns)
doc = nlp("The tracked IP address was 234.135.0.0.")

Vamos praticar!

Processamento de Linguagem Natural com spaCy