[英]How to avoid double-extracting of overlapping patterns in SpaCy with Matcher?
我需要通过 python Spacy Matcher 从 2 个列表中提取项目组合。 问题如下:让我们有 2 个列表:
colors=['red','bright red','black','brown','dark brown']
animals=['fox','bear','hare','squirrel','wolf']
我通过以下代码匹配序列:
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)
它给出了 output:
0 3 bright red fox
1 3 red fox
4 6 black wolf
我怎样才能只提取'bright red fox'和'black wolf'? 我应该更改模式规则还是对匹配进行后处理?
任何想法不胜感激!
您可以使用spacy.util.filter_spans
:
过滤一系列Span对象并删除重复或重叠。 对于创建命名实体(其中一个标记只能是一个实体的一部分)或在将跨度与
Retokenizer.merge
合并时很有用。 当跨度重叠时,(第一个)最长的跨度优于较短的跨度。
Python代码:
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)
Output:
0 3 bright red fox
4 6 black wolf
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.