RegEx med spaCy

Naturlig språkbehandling med spaCy

Azadeh Mobasher

Principal Data Scientist

Vad är RegEx?

Regelbaserad informationsextraktion (IR) är användbar för många NLP-uppgifter
Reguljära uttryck (RegEx) används för komplex strängmatchning
RegEx hittar och hämtar mönster eller ersätter matchande mönster

RegEx: extraktion av länk- och telefoninformation

RegEx – styrkor och svagheter

Fördelar:

Möjliggör robusta regler för informationsextraktion
Kan hitta många typer av variation i strängar
Körs snabbt
Stöds av programmeringsspråk

Nackdelar:

Syntaxen är utmanande för nybörjare
Kräver kännedom om alla sätt ett mönster kan förekomma i texter

RegEx i Python

Python levereras med ett inbyggt RegEx-bibliotek, re.
Det första steget är att definiera ett pattern.
Det resulterande mönstret används för att hitta matchande innehåll.

import re

pattern = r"((\d){3}-(\d){3}-(\d){4})"
text = "Our phone number is 832-123-5555 and their phone number is 425-123-4567."

RegEx i Python

Vi använder metoden .finditer() från paketet re

iter_matches = re.finditer(pattern, text)

for match in iter_matches:
    start_char = match.start()
    end_char = match.end()

    print ("Start character: ", start_char, "| End character: ", end_char, 
           "| Matching text: ", text[start_char:end_char])

>>> Start character:  20 | End character:  32 | Matching text:  832-123-5555
Start character:  59 | End character:  71 | Matching text:  425-123-4567

RegEx i spaCy

RegEx i tre pipeline-komponenter: Matcher, PhraseMatcher och EntityRuler.

text = "Our phone number is 832-123-5555 and their phone number is 425-123-4567."

nlp = spacy.blank("en")
patterns = [{"label": "PHONE_NUMBER", "pattern": [{"SHAPE": "ddd"},
            {"ORTH": "-"}, {"SHAPE": "ddd"},
            {"ORTH": "-"}, {"SHAPE": "dddd"}]}]

ruler = nlp.add_pipe("entity_ruler")
ruler.add_patterns(patterns)
doc = nlp(text)
print ([(ent.text, ent.label_) for ent in doc.ents])

>>> [('832-123-5555', 'PHONE_NUMBER'), ('425-123-4567', 'PHONE_NUMBER')]

Nu kör vi en övning!

Naturlig språkbehandling med spaCy