SpaCy：正则表达式模式在基于规则的匹配器中不起作用

Question

我正在尝试定义一个正则表达式，用作我的 spaCy 模型中实体标尺组件中的文本模式。 目的是每当发现如下结构的单词时添加带有“COMP”标签的标记：

• XXX-Ynnn
• XXX Ynn 其中“XXX”是列表中的三元组，“Y”是字母，“nnn”是数字组合。

为此，我使用以下方法

def add_component_patterns_re(input_references, model_ruler):
    ruler = model_ruler
    ref_patterns = []
    letters = ['V', 'B', 'F', 'K', 'S']

    print("Adding component patterns")
    for ref in input_references.iloc[:, 0]:
        # print(f"Adding references for system: {ref}")
        for letter in letters:
            pattern_text = fr'{ref}(-| ){letter}[0-9]{{3}}'
            pattern = {"TEXT": {"REGEX": fr'{ref}(-| ){letter}[0-9]{{3}}'}}
            ref_patterns.append({"label":"COMP", "pattern":pattern})
    ruler.add_patterns(ref_patterns)

    return ref_patterns

打印出添加的图案，在我看来，输出列表是正确的。所以我的猜测是，在定义要添加到标尺的模式时我做错了。 有关信息，我还尝试将模式变量更改为列表条目，如下所示：

            pattern = [{"TEXT": {"REGEX": fr'{ref}(-| ){letter}[0-9]{{3}}'}}]

但是结果是一样的，似乎无法得到任何匹配。

有人有什么建议吗？预先感谢！

Answer 1

AFAIK 在 NLP 三元组的上下文中意味着一系列 N 个单词（在本例中为 3 个）。

我认为在这种情况下不需要

{ref}

，假设你单元格中的值是

love like me-V123

取

{ref}

你最终会得到整个字符串，这不是你想要的，因为你是只对

"love like me"

感兴趣

所以我会构建以下正则表达式，与您的情况相匹配：

• \w+\s+\w+\s+\w+-[YVBFKS]\d{3}

  -> 带“-”的正则表达式

• \w+\s+\w+\s+\w+\s+[YVBFKS]\d{3}

  -> 不带“-”的正则表达式

将这些全部应用到Python中我最终会得到：

import re

pattern = r"\w+\s+\w+\s+\w+-[YVBFKS]\d{3}"
labeled_tokens = []

for ref in input_references.iloc[:, 0]:
    # Check if the token matches the pattern
    if re.match(pattern, ref ):
        labeled_tokens.append((ref, "COMP"))
    else:
        labeled_tokens.append((ref, None))