spaCy-连字词的标记化

时间:2019-09-25 20:16:10

标签: python spacy

好,

我正在尝试对假设为单个令牌的带标记的单词进行后处理,这些单词被标记为单独的标记。例如:

Example:

Sentence: "up-scaled"
Tokens: ['up', '-', 'scaled']
Expected: ['up-scaled']

目前,我的解决方案是使用匹配器:

matcher = Matcher(nlp.vocab)
pattern = [{'IS_ALPHA': True, 'IS_SPACE': False},
           {'ORTH': '-'},
           {'IS_ALPHA': True, 'IS_SPACE': False}]

matcher.add('HYPHENATED', None, pattern)

def quote_merger(doc):
    # this will be called on the Doc object in the pipeline
    matched_spans = []
    matches = matcher(doc)
    for match_id, start, end in matches:
        span = doc[start:end]
        matched_spans.append(span)
    for span in matched_spans:  # merge into one token after collecting all matches
        span.merge()
    #print(doc)
    return doc

nlp.add_pipe(quote_merger, first=True)  # add it right after the tokenizer
doc = nlp(text)

但是,这将导致以下预期问题:

Example 2:

Sentence: "I know I will be back - I had a very pleasant time"
Tokens: ['i', 'know', 'I', 'will', 'be', 'back - I', 'had', 'a', 'very', 'pleasant', 'time']
Expected: ['i', 'know', 'I', 'will', 'be', 'back', '-', 'I', 'had', 'a', 'very', 'pleasant', 'time']

有没有办法我只能处理用连字符分隔的单词,且字符之间没有空格?这样像“高档”这样的词将被匹配并组合成一个令牌,而不是“ .. back-I ..”

非常感谢您

编辑: 我尝试过发布的解决方案:Why does spaCy not preserve intra-word-hyphens during tokenization like Stanford CoreNLP does?

但是,我没有使用此解决方案,因为它导致带有撇号(')的单词和带有小数的数字的错误分词:

Sentence: "It's"
Tokens: ["I", "t's"]
Expected: ["It", "'s"]

Sentence: "1.50"
Tokens: ["1", ".", "50"]
Expected: ["1.50"]

这就是为什么我使用Matcher而不是尝试编辑正则表达式的原因。

2 个答案:

答案 0 :(得分:3)

匹配器并不是真正适合此目的的工具。您应该改为修改令牌生成器。

如果要保留其他所有内容的处理方式,并且仅更改连字符的行为,则应修改现有的中缀模式并保留所有其他设置。当前的英语中缀模式定义在这里:

https://github.com/explosion/spaCy/blob/58533f01bf926546337ad2868abe7fc8f0a3b3ae/spacy/lang/punctuation.py#L37-L49

您可以在不定义自定义标记器的情况下添加新模式,但是在没有定义自定义标记器的情况下无法删除模式。因此,如果您注释掉了连字符模式并定义了一个自定义标记器:

import spacy
from spacy.tokenizer import Tokenizer
from spacy.lang.char_classes import ALPHA, ALPHA_LOWER, ALPHA_UPPER, CONCAT_QUOTES, LIST_ELLIPSES, LIST_ICONS
from spacy.util import compile_infix_regex

def custom_tokenizer(nlp):
    infixes = (
        LIST_ELLIPSES
        + LIST_ICONS
        + [
            r"(?<=[0-9])[+\-\*^](?=[0-9-])",
            r"(?<=[{al}{q}])\.(?=[{au}{q}])".format(
                al=ALPHA_LOWER, au=ALPHA_UPPER, q=CONCAT_QUOTES
            ),
            r"(?<=[{a}]),(?=[{a}])".format(a=ALPHA),
            #r"(?<=[{a}])(?:{h})(?=[{a}])".format(a=ALPHA, h=HYPHENS),
            r"(?<=[{a}0-9])[:<>=/](?=[{a}])".format(a=ALPHA),
        ]
    )

    infix_re = compile_infix_regex(infixes)

    return Tokenizer(nlp.vocab, prefix_search=nlp.tokenizer.prefix_search,
                                suffix_search=nlp.tokenizer.suffix_search,
                                infix_finditer=infix_re.finditer,
                                token_match=nlp.tokenizer.token_match,
                                rules=nlp.Defaults.tokenizer_exceptions)


nlp = spacy.load("en")
nlp.tokenizer = custom_tokenizer(nlp)
print([t.text for t in nlp("It's 1.50, up-scaled haven't")])
# ['It', "'s", "'", '1.50', "'", ',', 'up-scaled', 'have', "n't"]

初始化新的令牌生成器以保留现有令牌生成器行为时,确实需要提供当前的前缀/后缀/令牌匹配设置。另请参见(对于德语,但非常相似):https://stackoverflow.com/a/57304882/461847

编辑后添加(因为这看起来不必要地复杂,并且您确实应该能够在不加载全新的自定义标记程序的情况下重新定义中缀模式):

如果您刚刚加载了模型(针对v2.1.8),但尚未调用nlp(),则也可以替换infix_re.finditer而无需创建自定义标记符:

nlp = spacy.load('en')
nlp.tokenizer.infix_finditer = infix_re.finditer

有希望在v2.2中修复一个缓存错误,该错误将使它在任何时候都能正常工作,而不仅仅是使用新加载的模型。 (否则,这种行为会造成极大的混乱,这就是为什么创建自定义令牌生成器是v2.1.8更好的通用建议。)

答案 1 :(得分:1)

如果 nlp = spacy.load('en') 抛出错误, 使用 nlp = spacy.load("en_core_web_sm")