对于nlp.matcher.add方法，SpaCy的“匹配器”（Gazetteer）格式如何工作？

Question

我已经开始使用Spacy.io的NLP包，并检查了一些介绍以及一些示例代码。

我对spacy.en.English.matcher.add方法很感兴趣 - 添加我自己的实体的格式是什么？ 虽然解释了基本格式，但似乎还有其他功能可用。 我添加的实体可以链接到dbpedia / wikipedia条目或其他外部链接吗？

这是Spacy matcher示例中的代码： https ： //github.com/honnibal/spaCy/blob/master/examples/matcher_example.py

   nlp.matcher.add(
    "GoogleNow", # Entity ID: Not really used at the moment.
    "PRODUCT",   # Entity type: should be one of the types in the NER data
    {"wiki_en": "Google_Now"}, # Arbitrary attributes. Currently unused.
    [  # List of patterns that can be Surface Forms of the entity

        # This Surface Form matches "Google Now", verbatim
        [ # Each Surface Form is a list of Token Specifiers.
            { # This Token Specifier matches tokens whose orth field is "Google"
                ORTH: "Google"
            },
            { # This Token Specifier matches tokens whose orth field is "Now"
                ORTH: "Now"
            }
        ],
        [ # This Surface Form matches "google now", verbatim, and requires
          # "google" to have the NNP tag. This helps prevent the pattern from
          # matching cases like "I will google now to look up the time"
            {
                ORTH: "google",
                TAG: "NNP"
            },
            {
                ORTH: "now"
            }
        ]
    ]
)

感谢您的时间。

Answer 1

当然你可以链接它们，但据我所知，这并不是spaCy开箱即用的。 您可以设置自己的类别类型（例如，SINGER而不是PRODUCT;请注意，这当前已损坏，您可能需要使用v0.93），然后使用DBpedia条目填充它（例如David Bowie而不是Google Now ）。 完成此操作后，您可以使用实体及其URL之间的映射。 正如此评论所暗示的那样，自动完成最后一个链接的东西可能会出现

 {"wiki_en": "Google_Now"}, # Arbitrary attributes. Currently unused.

Answer 2

使用spaCy> v1，您现在可以向匹配器添加回调函数 。 我可以想象这样的东西适用于你的用例：

def getlink(matcher, doc, i, matches):
    spans = [(ent_id, label, doc[start : end]) for ent_id, label, start, end in matches]
    for span in spans:
        **do something to get link from wikipedia**
matcher.add_entity('David Bowie', on_match=getlink)
matcher.add_pattern('David Bowie', {ORTH: 'David'}, {ORTH: 'Bowie'}])
doc = Doc(matcher.vocab, words=[u'David', u'Bowie', u'Space', u'Oddity'])
matcher(doc)