spaCy 的 Matcher 與 PhraseMatcher

使用 spaCy 的自然語言處理

Azadeh Mobasher

Principal Data Scientist

spaCy 的 Matcher

 

  • RegEx 模式常很複雜,難以閱讀與除錯。
  • spaCy 提供可讀、可用於正式環境的替代方案:Matcher 類別。

 

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)
使用 spaCy 的自然語言處理

spaCy 的 Matcher

 

  • 比對輸出包含相符樣式的 startend 標記索引。
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
使用 spaCy 的自然語言處理

Matcher 進階語法支援

 

  • 可在樣式中使用運算子。
  • 與 Python 的 innot in 與比較運算子相似。

 

Attribute Value type Description
IN any type 屬性值為清單成員
NOT_IN any type 屬性值「不」屬於清單成員
==, >=, <=, >, < int, float 相等與不等的比較運算
使用 spaCy 的自然語言處理

Matcher 進階語法支援

  • 使用 IN 運算子同時比對 good morninggood 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)
  • 使用 IN 運算子的比對輸出
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
使用 spaCy 的自然語言處理

spaCy 的 PhraseMatcher

 

  • PhraseMatcher 類別可在文字中比對長清單的片語。

 

from spacy.matcher import PhraseMatcher
nlp = spacy.load("en_core_web_sm")
matcher = PhraseMatcher(nlp.vocab)
terms = ["Bill Gates", "John Smith"]
使用 spaCy 的自然語言處理

spaCy 的 PhraseMatcher

  • PhraseMatcher 的輸出包含相符樣式的 startend 標記索引。
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
使用 spaCy 的自然語言處理

spaCy 的 PhraseMatcher

  • 可使用 PhraseMatcher 類別的 attr 參數。
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.")
使用 spaCy 的自然語言處理

一起來練習吧!

使用 spaCy 的自然語言處理

Preparing Video For Download...