展开菜单
首页 精品内容 本月促销 装机必备 Windows PDF教程 macOS软件 IOS软件 Android AI 专题
全部分类

当前位置:

首页 > 编程开发 > spaCy Matcher重叠匹配优化技巧

spaCy Matcher重叠匹配优化技巧

本教程探讨在使用spaCy的Matcher进行文本模式匹配时,如何解决因模式重叠导致的匹配不准确问题。当存在多个可匹配相同文本段但长度不同的模式时,Matcher默认行为可能无法优先选择最长或最特定的模式。通过在Matcher.add()方法中设置greedy="LONGEST"参数,可以确保匹配器优先返回最长的匹配项,从而有效解决模式优先级冲突,提高匹配准确性。

本文目录

    spaCy Matcher高级应用:解决重叠模式匹配优先级问题

    本教程探讨在使用spaCy的`Matcher`进行文本模式匹配时,如何解决因模式重叠导致的匹配不准确问题。当存在多个可匹配相同文本段但长度不同的模式时,`Matcher`默认行为可能无法优先选择最长或最特定的模式。通过在`Matcher.add()`方法中设置`greedy="LONGEST"`参数,可以确保匹配器优先返回最长的匹配项,从而有效解决模式优先级冲突,提高匹配准确性。

    引言:spaCy Matcher的挑战

    spaCy是一个强大的自然语言处理库,其Matcher模块允许开发者基于词法属性(如词性、依赖关系、文本内容等)定义复杂的模式,从而高效地从文本中提取特定信息。然而,在实际应用中,我们经常会遇到这样的场景:为同一类实体定义了多个模式,而这些模式之间可能存在重叠,即一个模式是另一个模式的子集。例如,我们可能定义了[NOUN, ADP, NOUN](名词、介词、名词)和[NOUN, ADP, NOUN, ADJ](名词、介词、名词、形容词)两种模式来识别复合组件。在这种情况下,Matcher的默认行为可能不会优先选择更长、更具体的模式,从而导致匹配结果不准确。

    问题场景复现

    为了更好地理解这个问题,我们来看一个具体的例子。假设我们有以下葡萄牙语句子,并希望识别其中的“组件”:

    txt = "Os edifícios multifamiliares devem ser providos de proteção contra descargas atmosféricas, atendendo ao estabelecido na ABNT NBR 5419 e demais Normas Brasileiras aplicáveis, nos casos previstos na legislação vigente."
    
    import spacy
    nlp = spacy.load("pt_core_news_md")
    doc = nlp(txt)
    
    print("原始文本分词及词性标注:")
    for token in doc:
        print(f"{token.text:<15} {token.pos_:<10} {token.dep_}")
    print("-" * 30)

    输出示例:

    原始文本分词及词性标注:
    Os              DET        det
    edifícios       NOUN       nsubj:pass
    multifamiliares ADJ        amod
    devem           AUX        aux
    ser             AUX        aux:pass
    providos        VERB       ROOT
    de              ADP        case
    proteção        NOUN       obl
    contra          ADP        case
    descargas       NOUN       nmod
    atmosféricas    ADJ        amod
    ,               PUNCT      punct
    atendendo       VERB       advcl
    ao              ADP        case
    estabelecido    VERB       obl
    na              ADP        case
    ABNT            PROPN      nmod
    NBR             PROPN      flat:name
    5419            NUM        flat:name
    e               CCONJ      cc
    demais          ADJ        amod
    Normas          NOUN       conj
    Brasileiras     ADJ        amod
    aplicáveis      ADJ        amod
    ,               PUNCT      punct
    nos             ADP        case
    casos           NOUN       obl
    previstos       VERB       acl
    na              ADP        case
    legislação      NOUN       nmod
    vigente         ADJ        amod
    .               PUNCT      punct
    ------------------------------

    我们定义了一组用于识别“COMPONENTE”的模式,其中包括一个较短的模式[NOUN, ADP, NOUN]和一个较长的模式[NOUN, ADP, NOUN, ADJ]:

    patterns = [
        {"label": "COMPONENTE", "pattern": [
            [{"POS": "NOUN"}, {"POS": "ADP"}, {"POS": "NOUN"}, {"POS": "ADJ"}], # 模式1:名词 介词 名词 形容词 (期望匹配 "proteção contra descargas atmosféricas")
            [{"POS": "NOUN"}, {"POS": "ADP"}, {"POS": "ADJ"}],
            [{"POS": "NOUN"}, {"POS": "ADP"}, {"POS": "NOUN"}], # 模式3:名词 介词 名词 (可能导致 "proteção contra descargas" 被匹配)
            [{"POS": "NOUN", "DEP": "nsubj"}, {"POS": "ADJ"}, {"POS": "ADJ"}],
            [{"POS": "NOUN", "DEP": "nsubj"}],
            [{"POS": "NOUN"}, {"POS": "ADJ"}]
        ]}
    ]

    为了避免重复匹配,我们使用了一个自定义的顺序搜索函数:

    from spacy.matcher import Matcher
    from spacy.tokens import Span
    
    def buscar_padroes_sequencialmente_original(doc, all_patterns_dict):
        resultados = []
        tokens_processados = set()
    
        for pat_entry in all_patterns_dict:
            label = pat_entry["label"]
            patterns_for_label = pat_entry["pattern"]
    
            matcher = Matcher(doc.vocab)
            # 原始问题中的添加模式方式:循环添加,但没有指定greedy参数
            for i, padrao_atual in enumerate(patterns_for_label):
                matcher.add(f"{label}_{i}", [padrao_atual]) # 为每个子模式分配唯一ID
    
            for padrao_id, inicio, fim in matcher(doc):
                rótulo = doc.vocab.strings[padrao_id].split('_')[0] # 提取原始标签
    
                if any(token.i in tokens_processados for token in doc[inicio:fim]):
                    continue
    
                tokens_processados.update(token.i for token in doc[inicio:fim])
                span = Span(doc, inicio, fim, label=rótulo)
                resultados.append((rótulo, span))
    
        return resultados
    
    resultados = buscar_padroes_sequencialmente_original(doc, patterns)
    
    print("\n--- 原始代码运行结果 ---")
    print("Frase:", txt)
    for i, (rotulo, span) in enumerate(resultados, start=1):
        pos_tokens = [token.pos_ for token in span]
        print(f"OSemantic {i}:", span.text, f'({rotulo})')
        print("POStoken:", pos_tokens)
        print()

    运行上述代码,我们期望能够匹配到"proteção contra descargas atmosféricas",其词性序列为['NOUN', 'ADP', 'NOUN', 'ADJ']。然而,实际输出却是:

    --- 原始代码运行结果 ---
    Frase: Os edifícios multifamiliares devem ser providos de proteção contra descargas atmosféricas, atendendo ao estabelecido na ABNT NBR 5419 e demais Normas Brasileiras aplicáveis, nos casos previstos na legislação vigente.
    OSemantic 1: edifícios multifamiliares (COMPONENTE)
    POStoken: ['NOUN', 'ADJ']
    
    OSemantic 2: proteção contra descargas (COMPONENTE)
    POStoken: ['NOUN', 'ADP', 'NOUN']
    
    OSemantic 3: Normas Brasileiras (COMPONENTE)
    POStoken: ['NOUN', 'ADJ']
    
    OSemantic 4: legislação vigente (COMPONENTE)
    POStoken: ['NOUN', 'ADJ']

    可以看到,"proteção contra descargas atmosféricas"被错误地匹配成了"proteção contra descargas",对应的是较短的模式[NOUN, ADP, NOUN],而我们期望的[NOUN, ADP, NOUN, ADJ]模式却没有被匹配。这是因为在默认情况下,当多个模式可以匹配同一段文本时,Matcher可能优先返回在内部处理顺序中先遇到的模式,而不是最长的模式。

    解决方案:利用greedy="LONGEST"参数

    spaCy Matcher在add()方法中提供了一个greedy参数,专门用于解决这种模式优先级冲突。greedy参数可以接收两个值:"FIRST"和"LONGEST"。

    • greedy="FIRST":当多个模式匹配到相同的文本跨度时,优先返回在Matcher内部添加时顺序靠前的模式。
    • greedy="LONGEST":当多个模式匹配到相同的文本跨度时,优先返回匹配长度最长的模式。如果存在多个相同长度的最长匹配,则选择内部顺序靠前的那个。

    对于我们遇到的问题,即希望优先匹配更长、更具体的模式,greedy="LONGEST"正是我们需要的解决方案。通过在matcher.add()方法中设置此参数,Matcher将自动在所有可匹配的模式中选择最长的结果。

    需要注意的是,Matcher.add()方法可以接收一个列表的模式,作为同一个规则ID下的备选模式。当我们将所有相关模式一次性添加到Matcher时,greedy参数将作用于这些模式之间的选择。

    优化后的代码实现

    我们将修改buscar_padroes_sequencialmente函数,在matcher.add()方法中加入greedy="LONGEST"参数。为了确保greedy参数能正确作用于同一标签下的所有模式,我们将这些模式一次性添加。

    from spacy.matcher import Matcher
    from spacy.tokens import Span
    
    def buscar_padroes_sequencialmente_optimizado(doc, all_patterns_dict):
        resultados = []
        tokens_processados = set()
    
        for pat_entry in all_patterns_dict:
            label = pat_entry["label"]
            patterns_for_label = pat_entry["pattern"]
    
            matcher = Matcher(doc.vocab)
            # 关键改动:将同一标签下的所有模式一次性添加,并设置greedy="LONGEST"
            matcher.add(label, patterns_for_label, greedy="LONGEST")
    
            for padrao_id, inicio, fim in matcher(doc):
                rótulo = doc.vocab.strings[padrao_id]
    
                # 检查当前匹配的任何token是否已被处理
                if any(token.i in tokens_processados for token in doc[inicio:fim]):
                    continue
    
                # 将当前匹配的token索引添加到已处理集合
                tokens_processados.update(token.i for token in doc[inicio:fim])
    
                # 创建Span对象
                span = Span(doc, inicio, fim, label=rótulo)
                resultados.
    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发
    相关文章 更多
    精品专题 更多
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    macOS软件

    正软商城macOS软件专区,精选适用于Mac电脑的办公、设计、影音、效率、开发和系统工具,提供软件功能介绍、macOS兼容版本、正版授权及购买下载服务。

    IOS软件

    正软商城iOS软件专区,精选适用于iPhone和iPad的办公、学习、影音、设计、效率及AI应用,提供功能介绍、适用设备、系统要求和正版获取方式等信息。

    AI

    正软商城AI软件专区,汇集AI写作、AI绘画、AI视频、AI办公、AI编程、AI翻译、智能客服和数据分析等人工智能工具,提供功能介绍、适用平台、收费方式及正版购买信息。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    立刻MV 网页版
    立刻MV 网页版

    立刻MV 面向音乐人、内容创作者和品牌团队,帮助用户低成本完成歌曲 MV、歌词视频、AI 分镜、图生视频与最终合成。

    蛙蛙写作 网页版
    蛙蛙写作 网页版

    蛙蛙写作 AI 创作工具,覆盖小说、剧本、文案,一键生成文稿,打通文字转视频全流程,高效解决创作难题。

    超级简历WonderCV 网页版
    超级简历WonderCV 网页版

    超级简历WonderCV是面向应届生和AI小白的智能求职平台,覆盖简历、面试与职业规划。

    音述AI 网页版
    音述AI 网页版

    音述AI,是一个以“用声音述说故事”为核心的 AI 音乐创作与声音分享社区。

    AionClaw macOS版
    AionClaw macOS版

    AionClaw 是可在桌面端运行的任务型 AI 助手,通过数字专家与技能市场组合办公、创作、数据和开发能力。

    Loomy macOS版
    Loomy macOS版

    Loomy 是科大讯飞推出的桌面 AI 助手,可通过对话、任务与工作目录协助处理办公、内容创作和资料整理。

    AirBuddy 3 macOS版
    AirBuddy 3 macOS版

    AirBuddy 3 是面向 macOS 的蓝牙外设增强工具,可集中查看 AirPods、Beats 与苹果设备电量,提供快速连接、播放控制、电量提醒、桌面小组件和多台 Mac 外设接力等功能。

    AirServer macOS版
    AirServer macOS版

    AirServer macOS版可把 Mac 转换为无线投屏接收端,通过 AirPlay 或 Google Cast 接收手机、平板和电脑画面,并支持多设备同时连接、高清镜像及会话录制,适合家庭娱乐、课堂教学、会议演示和应用展示。

    AnyDesk macOS版
    AnyDesk macOS版

    AnyDesk macOS版是一款适用于远程办公、设备维护和客户支持的远程桌面工具,可连接并操作异地计算机,支持文件传输、无人值守访问、会话权限控制及跨平台协作。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。

    讯飞绘文 网页版
    讯飞绘文 网页版

    讯飞绘文网页版是科大讯飞推出的AI图文创作与内容运营工具,覆盖热点选题、文章生成、稿件校对、智能配图、排版发布和数据复盘等环节,适合自媒体创作者及内容团队在线使用。

    Maya(Autodesk Maya) Windows版
    Maya(Autodesk Maya) Windows版

    Autodesk Maya 是面向影视、电视、动画和游戏行业的专业三维制作软件,集多边形与 NURBS 建模、角色绑定、关键帧和动作捕捉动画、Bifrost 特效模拟、材质开发及 Arnold 渲染于一体,

    Aperty Windows版
    Aperty Windows版

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    立刻MV 网页版
    立刻MV 网页版

    立刻MV 面向音乐人、内容创作者和品牌团队,帮助用户低成本完成歌曲 MV、歌词视频、AI 分镜、图生视频与最终合成。

    蛙蛙写作 网页版
    蛙蛙写作 网页版

    蛙蛙写作 AI 创作工具,覆盖小说、剧本、文案,一键生成文稿,打通文字转视频全流程,高效解决创作难题。

    超级简历WonderCV 网页版
    超级简历WonderCV 网页版

    超级简历WonderCV是面向应届生和AI小白的智能求职平台,覆盖简历、面试与职业规划。

    音述AI 网页版
    音述AI 网页版

    音述AI,是一个以“用声音述说故事”为核心的 AI 音乐创作与声音分享社区。

    AionClaw Windows版
    AionClaw Windows版

    AionClaw 是可在桌面端运行的任务型 AI 助手,通过数字专家与技能市场组合办公、创作、数据和开发能力。

    Loomy Windows版
    Loomy Windows版

    Loomy 是科大讯飞推出的桌面 AI 助手,可通过对话、任务与工作目录协助处理办公、内容创作和资料整理。