如何在spaCy Matcher中设置匹配规则优先级？

需求：对于句子"There is no apple or is there an apple?"，希望no apple的匹配规则优先，当该规则匹配时，不返回单独的apple匹配结果。

尝试1：单个模式包含两种子规则 #

尝试用一个模式同时检测非no开头的apple和单独的apple，代码如下：

import spacy
from spacy.matcher import Matcher

nlp = spacy.load("en_core_web_sm")
matcher = Matcher(nlp.vocab)

pattern = [
    [{"LOWER": {"NOT_IN": ["no"]}}, {"LOWER": "apple"}],
    [{"LOWER": "apple"}]
]

matcher.add("apple", pattern)

doc = nlp("There is no apple or is there an apple?")
matches = matcher(doc)
for match_id, start, end in matches:
    string_id = nlp.vocab.strings[match_id]  
    span = doc[start:end] 
    print(match_id, string_id, start, end, span.text)

输出结果：

8566208034543834098 apple 3 4 apple
8566208034543834098 apple 7 9 an apple
8566208034543834098 apple 8 9 apple

问题：第二个子模式导致多次匹配apple，且无法排除no apple中的apple。

尝试2：独立的两个匹配规则 #

创建no_apple和apple两个独立模式，代码如下：

import spacy
from spacy.matcher import Matcher

nlp = spacy.load("en_core_web_sm")
matcher = Matcher(nlp.vocab)
 
pattern = [
    [{"LOWER": "apple"}],
]
no_pattern = [
        [{"LOWER": "no"}, {"LOWER": "apple"}],
]

matcher.add("apple", pattern)
matcher.add("no_apple", no_pattern)

doc = nlp("There is no apple or is there an apple?")
matches = matcher(doc)
for match_id, start, end in matches:
    string_id = nlp.vocab.strings[match_id]  
    span = doc[start:end] 
    print(match_id, string_id, start, end, span.text)

输出结果：

14541201340755442066 no_apple 2 4 no apple
8566208034543834098 apple 3 4 apple
8566208034543834098 apple 8 9 apple

问题：no_apple和apple会同时匹配，存在重复匹配的问题。

解决方案：手动实现优先级与重叠过滤 #

spaCy Matcher本身没有内置的规则优先级配置，但可以通过排序+过滤重叠匹配的方式实现需求，步骤如下：

1. 定义所有匹配规则，明确优先级（比如no_apple优先级高于apple）。
2. 获取所有匹配结果后，按优先级降序、匹配长度降序排序（长匹配优先）。
3. 遍历排序后的结果，过滤掉与已保留匹配重叠的低优先级结果。

代码示例：

import spacy
from spacy.matcher import Matcher

nlp = spacy.load("en_core_web_sm")
matcher = Matcher(nlp.vocab)

# 添加匹配规则
no_pattern = [[{"LOWER": "no"}, {"LOWER": "apple"}]]
matcher.add("no_apple", no_pattern)
pattern = [[{"LOWER": "apple"}]]
matcher.add("apple", pattern)

doc = nlp("There is no apple or is there an apple?")
matches = matcher(doc)

# 定义规则优先级：no_apple > apple
priority_map = {"no_apple": 2, "apple": 1}
# 按优先级降序、匹配长度降序排序
sorted_matches = sorted(matches, key=lambda x: (-priority_map[nlp.vocab.strings[x[0]]], -(x[2]-x[1])))

# 过滤重叠匹配，保留高优先级结果
filtered_matches = []
used_tokens = set()
for match_id, start, end in sorted_matches:
    token_range = set(range(start, end))
    if not token_range & used_tokens:
        filtered_matches.append((match_id, start, end))
        used_tokens.update(token_range)

# 按原文本顺序输出结果
filtered_matches.sort(key=lambda x: x[1])

for match_id, start, end in filtered_matches:
    string_id = nlp.vocab.strings[match_id]
    span = doc[start:end]
    print(match_id, string_id, start, end, span.text)

输出结果：

14541201340755442066 no_apple 2 4 no apple
8566208034543834098 apple 8 9 apple

也可以使用on_match回调函数在匹配过程中实时过滤，适合简单场景，但排序+过滤的方式更通用，能处理复杂的优先级规则。

内容的提问来源于stack exchange，提问作者Quinten