spaCy - 连字符的标记化

Question

今天好，

我正在尝试对被标记为单独标记的连字符进行后处理，而这些单词应该是单个标记。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']

有没有一种方法可以只处理由连字符分隔且字符之间没有空格的单词？因此，像“up-scaled”这样的词将被匹配并组合成一个标记，而不是“.. back - I ..”

非常感谢

编辑： 我已经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标记化：

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

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

这就是我使用 Matcher 而不是尝试编辑正则表达式的原因。

Answer 1

Matcher 并不是真正适合此问题的工具。您应该改为修改标记器。

如果您想保留其他所有内容的处理方式并且只更改连字符的行为，您应该修改现有的中缀模式并保留所有其他设置。当前的英文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分词器的情况下添加新模式，但如果不定义自定义分词器，则无法删除模式。因此，如果您注释掉连字符模式并定义自定义标记器：

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"]

在初始化新的 Tokenizer 以保留现有的 tokenizer 行为时，您确实需要提供当前的前缀/后缀/token_match 设置。另见（德语，但非常相似）：https://stackoverflow.com/a/57304882/461847

编辑添加（因为这看起来确实不必要地复杂，您确实应该能够重新定义中缀模式而无需加载全新的自定义标记器）：

如果您刚刚加载模型（针对 v2.1.8）并且尚未调用 nlp()，您也可以直接替换 infix_re.finditer 而无需创建自定义标记器：

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

有一个缓存错误有望在 v2.2 中得到修复，它可以让它在任何时候都能正常工作，而不仅仅是新加载的模型。 （否则这种行为非常令人困惑，这就是为什么创建自定义标记器对于 v2.1.8 来说是一个更好的通用建议。）

Answer 2

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