在Spacy中匹配指定模式时，如何排除'to'和'into'类介词？

你已经知道通过允许的介词列表来实现过滤，这里提供另外三种更灵活的解决方案：

1. 直接在模式中否定特定介词 #

利用spaCy匹配规则的NOT_IN属性，直接在ADP的条件里排除'to'和'into'，无需维护允许列表：

pattern = [
    {'POS': 'ADP', 'TEXT': {'NOT_IN': ['to', 'into']}},
    {'POS': 'ADJ', 'OP': '*'},
    {'POS': 'NOUN'}
]

这种写法简洁直接，适合只需要排除少量特定介词的场景。

2. 用回调函数过滤匹配结果 #

给Matcher添加匹配回调函数，在匹配完成后手动剔除包含目标介词的结果，适合需要复杂逻辑过滤的场景：

import spacy
from spacy.matcher import Matcher

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

def filter_unwanted_preps(matcher, doc, id, matches):
    # 倒序遍历防止删除元素导致索引错乱
    for match in reversed(matches):
        match_id, start, end = match
        if doc[start].text.lower() in ['to', 'into']:
            matches.remove(match)

# 定义原始模式
base_pattern = [{'POS':'ADP'},{'POS':'ADJ','OP':'*'},{'POS':'NOUN'}]
matcher.add("ADJ_NOUN_PATTERN", [base_pattern], on_match=filter_unwanted_preps)

# 测试示例
doc = nlp("I walked to the red park, into the tiny café, and through the quiet alley.")
matches = matcher(doc)
for _, start, end in matches:
    print(doc[start:end])  # 输出: through the quiet alley

3. 正则表达式匹配文本 #

通过REGEX属性用正则表达式排除目标介词，适合需要更复杂文本匹配规则的场景：

import re

pattern = [
    {'POS': 'ADP', 'TEXT': {'REGEX': r'^(?!to$|into$).+', 'FLAGS': re.IGNORECASE}},
    {'POS': 'ADJ', 'OP': '*'},
    {'POS': 'NOUN'}
]

正则^(?!to$|into$).+表示匹配不是'to'或'into'的文本，FLAGS参数用于忽略大小写，避免因大小写差异漏过滤。

内容的提问来源于stack exchange，提问作者Sonali