spaCy Matcher och PhraseMatcher

Naturlig språkbehandling med spaCy

Azadeh Mobasher

Principal Data Scientist

Matcher i spaCy

RegEx-mönster kan vara komplexa, svårlästa och svåra att felsöka.
spaCy erbjuder ett läsbart alternativ för produktion: klassen 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 i spaCy

Matchningsresultatet innehåller start- och slut-tokenindex för det matchade mönstret.

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

Utökad syntaxsupport i Matcher

Stöder operatorer vid definition av matchningsmönster.
Liknar Pythons in, not in och jämförelseoperatorer.

Attribut	Värdetyp	Beskrivning
`IN`	valfri typ	Attributvärdet är medlem i en lista
`NOT_IN`	valfri typ	Attributvärdet är *inte* medlem i en lista
`==`, `>=`, `<=`, `>`, `<`	int, float	Jämförelseoperatorer för likhet och olikhet

Utökad syntaxsupport i Matcher

Använder operatorn IN för att matcha både good morning och 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)

Matchningsresultat med operatorn 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 i spaCy

Klassen PhraseMatcher matchar en lång lista fraser i en given text.

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

PhraseMatcher i spaCy

PhraseMatcher-resultatet innehåller start- och slut-tokenindex för det matchade mönstret

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 i spaCy

Vi kan använda argumentet attr i klassen 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.")

Nu kör vi en övning!

Naturlig språkbehandling med spaCy