Как избежать двойного извлечения перекрывающихся паттернов в SpaCy с Matcher? - PullRequest
Новая
       168

Как избежать двойного извлечения перекрывающихся паттернов в SpaCy с Matcher?

1 голос
/ 07 августа 2020

Мне нужно извлечь комбинацию элементов из 2 списков с помощью python Spacy Matcher. Проблема следующая: у нас есть 2 списка: 

colors=['red','bright red','black','brown','dark brown']
animals=['fox','bear','hare','squirrel','wolf']

Я сопоставляю последовательности по следующему коду: 

first_color=[]
last_color=[]
only_first_color=[]
for color in colors:
    if ' ' in color:
        first_color.append(color.split(' ')[0])
        last_color.append(color.split(' ')[1])
    else:
        only_first_color.append(color)
matcher = Matcher(nlp.vocab)

pattern1 = [{"TEXT": {"IN": only_first_color}},{"TEXT":{"IN": animals}}]
pattern2 = [{"TEXT": {"IN": first_color}},{"TEXT": {"IN": last_color}},{"TEXT":{"IN": animals}}]

matcher.add("ANIMALS", None, pattern1,pattern2)

doc = nlp('bright red fox met black wolf')

matches = matcher(doc)

for match_id, start, end in matches:
    string_id = nlp.vocab.strings[match_id]  # Get string representation
    span = doc[start:end]  # The matched span
    print(start, end, span.text)

Это дает результат: 

0 3 bright red fox
1 3 red fox
4 6 black wolf

Как я могу извлечь только «ярко-рыжую лисицу» и «черный волк»? Следует ли мне изменить правила шаблонов или выполнить постобработку совпадений?

Любые мысли признательны!

1 Ответ

2 голосов
/ 07 августа 2020

Вы можете использовать spacy.util.filter_spans:

Отфильтровать последовательность Span объектов и удалить дубликаты или перекрытия. Полезно для создания именованных сущностей (где один токен может быть только частью одной сущности) или при объединении промежутков с Retokenizer.merge. Когда пролеты перекрываются, (первый) самый длинный пролет предпочтительнее более коротких.

Python код: 

matches = matcher(doc)
spans = [doc[start:end] for _, start, end in matches]
for span in spacy.util.filter_spans(spans):
    print(span.start, span.end, span.text)

Вывод: 

0 3 bright red fox
4 6 black wolf
...