使用 unicode 撇号正确标记英语缩写

问题描述

如果使用 unicode apostrophes(而非 '),您如何修改认的 spacy (v3.0.5) 分词器以正确拆分英语缩写。

import spacy

nlp = spacy.load('en_core_web_sm')
apostrophes = ["'",'\u02B9','\u02BB','\u02BC','\u02BD','\u02C8','\u02CA','\u02CB','\u0060','\u00B4']
for apo in apostrophes:
    text = f"don{apo}t"
    print([t for t in nlp(text)])
>>> 
 [do,n't]
 [donʹt]
 [donʻt]
 [donʼt]
 [donʽt]
 [donˈt]
 [donˊt]
 [donˋt]
 [don`t]
 [don´t]

所有示例所需的输出[do,n't]

我最好的猜测是使用所有可能的撇号变体来扩展认的 tokenizer_exceptions。但这不起作用,因为 Tokenizer 特殊情况不允许修改文本。

import spacy 
from spacy.util import compile_prefix_regex,compile_suffix_regex,compile_infix_regex

nlp = spacy.load('en_core_web_sm')

apostrophes = ['\u02B9','\u00B4']
default_rules = nlp.Defaults.tokenizer_exceptions
extended_rules = default_rules.copy()
for key,val in default_rules.items():
    if "'" in key:
        for apo in apostrophes:
            extended_rules[key.replace("'",apo)] = val

rules = nlp.Defaults.tokenizer_exceptions
infix_re = compile_infix_regex(nlp.Defaults.infixes)
prefix_re = compile_prefix_regex(nlp.Defaults.prefixes)
suffix_re = compile_suffix_regex(nlp.Defaults.suffixes)

nlp.tokenizer =  spacy.tokenizer.Tokenizer(
        nlp.vocab,rules = extended_rules,prefix_search=prefix_re.search,suffix_search=suffix_re.search,infix_finditer=infix_re.finditer,)
            
apostrophes = ["'",'\u00B4']
for apo in apostrophes:
    text = f"don{apo}t"
    print([t for t in nlp(text)])

>>> ValueError: [E997] Tokenizer special cases are not allowed to modify the text. This would map ':`(' to ':'(' given token attributes '[{65: ":'("}]'.

解决方法

您只需要添加一个例外而不更改文本。

import spacy 

nlp = spacy.load('en_core_web_sm')

from spacy.attrs import ORTH,NORM
case = [{ORTH: "do"},{ORTH: "n`t",NORM: "not"}]
tokenizer = nlp.tokenizer
tokenizer.add_special_case("don`t",case)

doc =  nlp("I don`t believe in bugs")

print(list(doc))
# => [I,do,n`t,believe,in,bugs]

如果您想更改文本,您应该将其作为预处理步骤进行。

相关问答

Selenium Web驱动程序和Java。元素在(x,y)点处不可单击。其...
Python-如何使用点“。” 访问字典成员?
Java 字符串是不可变的。到底是什么意思?
Java中的“ final”关键字如何工作?(我仍然可以修改对象。...
“loop:”在Java代码中。这是什么,为什么要编译?
java.lang.ClassNotFoundException:sun.jdbc.odbc.JdbcOdbc...