python - 使用 Spacy 正则表达式的意外结果

Question

我发现使用 Spacy(版本 3.1.3)匹配正则表达式的意外结果。我定义了一个简单的正则表达式来识别数字。然后我创建由一个数字和一个字母组成的字符串，然后尝试识别。一切都按预期工作，但带有字母 g、m 和 t:

这是一个最小的实现

import string 
from spacy.matcher import Matcher
from spacy.lang.en import English

nlp = English()
pattern = [{"TEXT": {"REGEX": "\d"}}]
matcher = Matcher(nlp.vocab)
matcher.add("usage",[pattern])

for l in string.ascii_lowercase:
    doc = nlp(f"2{l}")
    matches = matcher(doc)
    for match_id, start, end in matches:
        string_id = nlp.vocab.strings[match_id]
        span = doc[start:end]
        print(l, span.text) 

结果

a 2a
b 2b
c 2c
d 2d
e 2e
f 2f
g 2    # EXPECTED 2g
h 2h
i 2i
j 2j
k 2k
l 2l
m 2   # EXPECTED 2m
n 2n
o 2o
p 2p
q 2q
r 2r
s 2s
t 2   # EXPECTED 2t
u 2u
v 2v
w 2w
x 2x
y 2y
z 2z

Answer 1

有问题的字符串被分成两个标记:

2g => ['2', 'g']
2m => ['2', 'm']
2t => ['2', 't']

为了匹配模式，您需要考虑到 g、m 或 t 字母可能是下一个标记这一事实.

在这种情况下，您可以使用

import spacy
from spacy.matcher import Matcher
from spacy.lang.en import English

nlp = English()
pattern = [{"TEXT": {"REGEX": "\d"}}, {"TEXT": {"REGEX": "^[gmt]$"}, "OP": "?"}]
matcher = Matcher(nlp.vocab)
matcher.add("usage",[pattern])

text = "some 1.2t other stuff 1.2a"
doc = nlp(text)
matches = matcher(doc)
spans = [doc[start:end] for _, start, end in matches]
for span in spacy.util.filter_spans(spans):
    print(span.text)

这里，pattern = [{"TEXT": {"REGEX": "\d"}}, {"TEXT": {"REGEX": "^[gmt]$"}, "OP ": "?"}] 模式首先将 token 与数字匹配，然后 - 可选(由于 "OP": "?") - 等于 m、g 或 t。 spacy.util.filter_spans 只保留最长的匹配。

如果您只匹配一个数字作为第一个标记，您可能会使模式更精确一些。在这种情况下，将 "REGEX": "\d" 更改为 "REGEX": "^\d+(?:\.\d+)?[a-z]?$"(匹配 5/5a 或 55.555/55.555a 等数字)或 “REGEX”: "^\d*\.?\d+[a-z]?$"(这个也匹配.5/.5a之类的字符串)，然后第二。或者，最好使用两种模式:

pattern = [
    [{"TEXT": {"REGEX": "^\d+(?:\.\d+)?[a-z]$"}}],
    [{"TEXT": {"REGEX": "^\d+(?:\.\d+)?$"}}, {"TEXT": {"REGEX": "^[gmt]$"}}]
]
matcher = Matcher(nlp.vocab)
matcher.add("usage", pattern)