spaCy 第二篇：語言模型

spaCy處理文本的過程是模塊化的，當調用nlp處理文本時，spaCy首先將文本標記化以生成Doc對象，然后，依次在幾個不同的組件中處理Doc，這也稱為處理管道。語言模型默認的處理管道依次是：tagger、parser、ner等，每個管道組件返回已處理的Doc，然后將其傳遞給下一個組件。

一，加載語言模型

spaCy使用的語言模型是預先訓練的統計模型，能夠預測語言特征，對於英語，共有en_core_web_sm、en_core_web_md和en_core_web_lg三種語言模型，還有一種語言模型：en，需要以管理員權限運行以下命令來安裝en模型：

python -m spacy download en

使用spacy.load()函數來加載語言模型

spacy.load(name,disable)

其中，name參數是語言模型的名詞，disable參數是禁用的處理管道列表，例如，創建en_core_web_sm語言模型，並禁用ner：

nlp = spacy.load("en_core_web_sm", disable=['ner'])

語言模型中不僅預先定義了Language管道，還定義了處理文本數據的處理管道（pipeline），其中分詞器是一個特殊的管道，它是由Language管道確定的，不屬於pipeline。

{
  "lang": "en",
  "name": "core_web_sm",
  "description": "Example model for spaCy",
  "pipeline": ["tagger", "parser", "ner"]
}

在加載語言模型nlp之后，可以查看該語言模型預先定義的處理管道，也就是說，處理管道依賴於統計模型。

1，查看nlp對象的管道

>>> nlp.pipe_names
['tagger', 'parser', 'ner']

2，移除nlp的管道

nlp.remove_pipe(name)

3，向nlp的處理管道中增加管道

nlp.add_pipe(component, name=None, before=None, after=None, first=None, last=None)

二，語言管道和分詞器管道

Language管道是一個特殊的管道，當調用spacy.load()加載語言模型時，spaCy自動創建Lanuage管道，用於存儲共享的詞匯表、分詞規則（Tokenization Rule）和文本注釋。

分詞器管道是跟Language管道息息相關的一個管道，當創建Language管道之后，spaCy根據Language管道提供的詞匯表來創建分詞器。分詞器用於把文本分為單詞，標點符號，空格等標記，除了使用默認的分詞器之外，spaCy允許用戶根據需要對分詞器進行調整：

from spacy.tokenizer import Tokenizer
tokenizer = Tokenizer(vocab=nlp.vocab,rules,prefix_search, suffix_search, infix_search, token_match)

參數注釋:

• vocab：詞匯表
• rules：dict類型，分詞器的特殊規則，把匹配到特殊規則的單詞作為一個token，主要是用於設置token的注釋（annotation）；
• prefix_search、suffix_search：類型是re.compile(string).search
• infix_finditer：類型是re.compile(string).finditer，把匹配到這前綴、后綴或中綴的字符串作為一個token；
• token_match：返回boolean值的函數類型，把匹配到的字符串識別為一個token；

在文本處理的過程中，spaCy首先對文本分詞，原始文本在空格處分割，類似於text.split(' ')，然后分詞器（Tokenizer）從左向右依次處理token，在處理token時，spaCy做了兩個check：

• 是否匹配特殊規則（execption rule）
• 是否前綴、中綴或后綴可以分割

一個可選的布爾函數token_match，它匹配的字符串不會被拆分，覆蓋以前的規則，對URL或數字之類的東西很有用。

三，擴展語言

每一種語言都是不同的，通常充滿異常和特殊情況，尤其是最常見的單詞。 其中一些例外是跨語言共享的，而其他例外則完全具體，通常非常具體，需要進行硬編碼。 spaCy.lang模塊包含所有特定於語言的數據，以簡單的Python文件組織,這使得數據易於更新和擴展。

 

每一個單獨的組件可以在語言模塊種導入遍歷，並添加到語言的Defaults對象種，某些組件（如標點符號規則）通常不需要自定義，可以從全局規則中導入。 其他組件，比如tokenizer和norm例外，則非常具體，會對spaCy在特定語言上的表現和訓練語言模型產生重大影響。

例如，導入English模塊，查看該模塊的幫助：

from spacy.lang.en import English
help(English)

通過這些模塊來擴展語言，處理特殊的語法，通常在分詞器（Tokenizer）中添加特殊規則和Token_Match函數來實現。

1，向分詞器中添加特殊的規則

import spacy
from spacy.symbols import ORTH, LEMMA, POS, TAG

nlp = spacy.load("en_core_web_sm")

# add special case rule
special_case = [{ORTH: u"gim", LEMMA: u"give", POS: u"VERB"}, {ORTH: u"me"}]
nlp.tokenizer.add_special_case(u"gimme", special_case)

2，設置特殊的規則來匹配token

創建一個自定義的分詞器，使分詞把https作為一個token：

import re
import spacy
from spacy.lang.en import English

def my_en_tokenizer(nlp):
    prefix_re = spacy.util.compile_prefix_regex(English.Defaults.prefixes)
    suffix_re = spacy.util.compile_suffix_regex(English.Defaults.suffixes)
    infix_re = spacy.util.compile_infix_regex(English.Defaults.infixes)
    pattern_re = re.compile(r'^https?://')
    return spacy.tokenizer.Tokenizer(nlp.vocab,
                                     English.Defaults.tokenizer_exceptions,
                                     prefix_re.search,
                                     suffix_re.search,
                                     infix_re.finditer,
                                     token_match=pattern_re.match)

在處理文本時調用該分詞器，把匹配到正則的文本作為一個token來處理：

nlp = spacy.load("en_core_web_sm")
nlp.tokenizer = my_en_tokenizer(nlp)
doc = nlp(u"Spacy is breaking when combining custom tokenizer's token_match, access https://github.com/explosion/spaCy to get details")
print([t.text for t in doc])

3，自定義分詞器

預先定義的分詞器是按照空格來分詞的，用於可以自定義分詞器

### customer tokenizer

class myTokenizer(object):
    def __init__(self, vocab):
        self.vocab = vocab

    def __call__(self, text):
        words=[]
        re_search=my_token_match(text)
        if re_search:
            for start,end in re_search.regs:
                if start >=0 and end>=0:
                    words.append(text[start:end])
        text=my_token_replace(text)
        split_words=my_token_split(text)
        print(split_words)

        words.extend([w for w in split_words if w!=''])

        # All tokens 'own' a subsequent space character in this tokenizer
        spaces = [True] * len(words)
        return Doc(self.vocab, words=words, spaces=spaces)

### parse the synonyms
RE_SYNONYMS=parse_synonyms()

def my_token_match(text):
    global  RE_SYNONYMS

    return re.compile(RE_SYNONYMS).search(text)

def my_token_replace(text):
    global  RE_SYNONYMS

    return re.compile(RE_SYNONYMS).sub('',text)


def my_token_split(text):

    #return re.compile('\s+|\W+|_+').split(text)
    return re.compile('\s+|\\+|_+').split(text)

引用自定義的分詞器

nlp=spacy.load("en_core_web_sm")
nlp.tokenizer = myTokenizer(nlp.vocab)

 

 

 

參考文檔：

Linguistic Features-Tokenization

Pipeline

Processing Pipelines

Adding Languages