查找字符串和查找表之間所有可能的短語匹配

Question

我有一個帶有一堆文本字符串的數據框。 在第二個數據框中，我有一個短語列表，用作查找表。 我想在查找表中搜索所有可能的短語匹配的文本字符串。

我的問題是某些短語有重疊的單詞。 例如：“雞蛋”和“綠色雞蛋”。

library(udpipe)
library(dplyr)

# Download english dictionary
ud_model <- udpipe_download_model(language = "english")
ud_model <- udpipe_load_model(ud_model$file_model)

# Create example data
sample <- data.frame(doc_id = 1, text = "the cat in the hat ate green eggs and ham")
phrases <- data.frame(phrase = c("cat", "hat", "eggs", "green eggs", "ham", "the cat"))

# Tokenize text
x <- udpipe_annotate(ud_model, x = sample$text, doc_id = sample$doc_id)
x <- as.data.frame(x)
x$token <- tolower(x$token)

test_results <- x %>% select(doc_id, token)
test_results$term <- txt_recode_ngram(test_results$token, 
                                 compound = phrases$phrase, 
                                 ngram = str_count(phrases$phrase, '\\w+'), 
                                 sep = " ")

# Remove any tokens that don't match a phrase in the lookup table
test_results <- filter(test_results, term %in% phrases$phrase)

在結果中，您可以看到返回的是“the cat”而不是“cat”，返回的是“green eggs”而不是“eggs”。

> test_results$term
[1] "the cat"    "hat"        "green eggs" "ham" 

如何在文本字符串和查找表之間找到所有可能的短語匹配？

我應該補充一點，我不喜歡任何特定的 package。 我只是在這里使用 udpipe，因為我最熟悉它。

Answer 1

我認為如果一個字符串在另一個字符串中，您可以簡單地使用grepl來匹配。 從那里您apply grepl應用於所有其他匹配模式

# Create example data
sample <- data.frame(doc_id = 1, text = "the cat in the hat ate green eggs and ham")
phrases <- data.frame(phrase = c("cat", "hat", "eggs", "green eggs", "ham", "the cat"))

apply(phrases, 1, grepl,sample$text)

如果你想要你的比賽，你可以：

phrases[apply(phrases, 1, grepl,sample$text),]

但也許dataframe類型與短語不是最相關的