如何在spaCy的IN模式中用正则匹配含指定词根的德语复合词？

你原来的IN规则只能匹配完全一致的小写词汇，要覆盖德语里的复合词，直接用REGEX替代IN即可，通过正则表达式匹配包含指定词根的任意词汇，不用再枚举所有复合词。

核心修改思路 #

把原来的IN条件换成REGEX，用.*匹配任意前缀/后缀，结合逻辑或|同时匹配三个词根：

# 匹配包含studium、abschluss、ausbildung任一词根的词汇
pattern = [{"LOWER": {"REGEX": r".*(studium|abschluss|ausbildung).*"}}]

• .*：匹配任意长度的任意字符（包括空），确保词根前后的复合部分都能被覆盖
• (studium|abschluss|ausbildung)：逻辑或，匹配三个词根中的任意一个
• LOWER：统一转小写匹配，避免大小写干扰

完整示例代码 #

import spacy
from spacy.matcher import Matcher

# 加载德语模型
nlp = spacy.load("de_core_news_sm")
matcher = Matcher(nlp.vocab)

# 定义匹配规则：包含指定词根的词汇（支持复合词）
pattern = [{"LOWER": {"REGEX": r".*(studium|abschluss|ausbildung).*"}}]
matcher.add("EDUCATION_TERMS", [pattern])

# 测试文本
doc = nlp("Ich habe ein Hochschulstudium abgeschlossen und eine berufliche Ausbildung absolviert. Mein Studiengang war Informatik.")

# 执行匹配并输出结果
matches = matcher(doc)
for match_id, start, end in matches:
    span = doc[start:end]
    print(f"匹配结果: {span.text}")

可选优化：仅匹配名词 #

如果只想匹配名词类的复合词（排除动词形式如abgeschlossen），可以在规则中增加词性过滤：

pattern = [{"POS": "NOUN", "LOWER": {"REGEX": r".*(studium|abschluss|ausbildung).*"}}]

内容的提问来源于stack exchange，提问作者SalvaHH