spaCy Matcher și PhraseMatcher

Procesarea limbajului natural cu spaCy

Azadeh Mobasher

Principal Data Scientist

Matcher în spaCy

Tiparele RegEx pot fi complexe, greu de citit și de depanat.
spaCy oferă o alternativă lizibilă, de nivel producție: clasa 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 în spaCy

Rezultatele potrivirii includ indicii start și end ai tokenurilor potrivite.

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

Sintaxă extinsă Matcher

Permite utilizarea operatorilor la definirea tiparelor de potrivire.
Operatori similari cu in, not in și operatorii de comparație din Python

Atribut	Tip valoare	Descriere
`IN`	orice tip	Valoarea atributului este membră a unei liste
`NOT_IN`	orice tip	Valoarea atributului _nu_ este membră a unei liste
`==`, `>=`, `<=`, `>`, `<`	int, float	Operatori de comparație pentru egalitate sau inegalitate

Sintaxă extinsă Matcher

Utilizarea operatorului IN pentru a potrivi atât good morning, cât și 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)

Rezultatul potrivirii cu operatorul 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 în spaCy

Clasa PhraseMatcher potrivește o listă extinsă de fraze într-un text dat.

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

PhraseMatcher în spaCy

Rezultatele PhraseMatcher includ indicii start și end ai tokenurilor potrivite

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 în spaCy

Putem utiliza argumentul attr al clasei 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.")

Să exersăm!

Procesarea limbajului natural cu spaCy