基于SpaCy提取隐私政策含指定关键词完整句子的问题

当前代码存在两个核心问题，导致输出不符合预期：

• 编写的匹配规则仅匹配personal data短语，未覆盖目标需求中的personal information表述
• 匹配命中后仅截取规则覆盖的token片段，也就是只返回了命中的短语本身，没有返回短语所在的完整句子

注意：你提前完成的分句工作已经把每条记录处理为独立完整句，不需要再通过Spacy的sents属性定位句子边界，相比在整段隐私政策中做匹配，运行效率更高。
直接调整匹配逻辑即可，完整可运行代码如下：

from spacy.matcher import Matcher

def match_personal_info_sent(text):
    doc = nlp(text)
    matcher = Matcher(nlp.vocab)
    # 配置匹配规则，大小写不敏感，可按需增删规则
    match_patterns = [
        [{"LOWER": "personal"}, {"LOWER": "information"}],
        [{"LOWER": "personal"}, {"LOWER": "data"}]
    ]
    matcher.add("personal_info", match_patterns)
    matches = matcher(doc)
    
    # 命中规则则返回当前完整句子，未命中返回空值
    return str(doc) if len(matches) > 0 else None

# 应用函数到分句列
df2["matched_sent"] = df2["Sent"].apply(match_personal_info_sent)
# 筛选得到所有包含目标表述的句子
result_df = df2.dropna(subset=["matched_sent"]).reset_index(drop=True)

• 如果仅需要匹配personal information表述，直接删除match_patterns里对应personal data的规则即可
• 如果需要匹配更多相关表述（比如personal sensitive information、user personal data等），直接在match_patterns列表中新增对应的token匹配规则即可
• 如果你的分句结果存在重复，可在result_df上调用drop_duplicates()方法做去重处理，避免重复句子输出

内容的提问来源于stack exchange，提问作者Adrian