spaCy Matcher e PhraseMatcher

Natural Language Processing con spaCy

Azadeh Mobasher

Principal Data Scientist

Matcher in spaCy

I pattern RegEx possono essere complessi, difficili da leggere e fare debug.
spaCy offre un'alternativa leggibile e pronta per la produzione: la 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 in spaCy

L'output del matching include gli indici di token start e end del pattern trovato.

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

Supporto sintassi estesa del Matcher

Consente operatori nella definizione dei pattern di matching.
Operatori simili a in, not in e agli operatori di confronto di Python

Attributo	Tipo di valore	Descrizione
`IN`	qualsiasi tipo	Il valore dell'attributo è un membro di una lista
`NOT_IN`	qualsiasi tipo	Il valore dell'attributo *non* è un membro di una lista
`==`, `>=`, `<=`, `>`, `<`	int, float	Operatori di confronto per verifiche di uguaglianza o disuguaglianza

Supporto sintassi estesa del Matcher

Uso dell'operatore IN per trovare sia good morning sia 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)

Output del matching con l'operatore 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 in spaCy

La classe PhraseMatcher trova un lungo elenco di frasi in un testo dato.

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

PhraseMatcher in spaCy

L'output di PhraseMatcher include gli indici di token start e end del pattern trovato

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 in spaCy

Possiamo usare l'argomento attr della 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.")

Esercitiamoci!

Natural Language Processing con spaCy