spaCy の Matcher と PhraseMatcher

spaCyで学ぶNatural Language Processing

Azadeh Mobasher

Principal Data Scientist

spaCy の Matcher

正規表現は複雑で、可読性・デバッグ性が低いことがある。
spaCy には、読みやすく本番向きの代替として Matcher クラスがある。

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)

spaCy の Matcher

出力には、一致パターンの開始・終了トークンインデックスが含まれる。

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

Matcher の拡張構文サポート

パターン定義で演算子を使用可能。
Python の in、not in、比較演算子に類似。

Attribute	Value type	Description
`IN`	any type	属性値がリスト内のいずれか
`NOT_IN`	any type	属性値がリスト内にない
`==`, `>=`, `<=`, `>`, `<`	int, float	等価・不等比較を行う

Matcher の拡張構文サポート

IN 演算子で good morning と good evening の両方に一致

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)

IN 演算子を使ったマッチ結果

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

spaCy の PhraseMatcher

PhraseMatcher クラスは、与えられたテキストから多数のフレーズを照合する。

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

spaCy の PhraseMatcher

PhraseMatcher の出力には、一致パターンの開始と終了のトークンインデックスが含まれる

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

spaCy の PhraseMatcher

PhraseMatcher クラスの attr 引数を利用できる

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!

spaCyで学ぶNatural Language Processing