如何编写Regex模式提取Hearst模式中的下位词-上位词对

问题根源 #

你之前写的正则(NP_[\w.]*(, NP_[\w.]*)*,? (and)? other NP_[\w.]*)匹配失败的核心原因是：NP_[\w.]*仅能匹配NP_开头后接字母、数字、下划线、小数点的内容，而你需要提取的下位词片段包含空格、or、the等不在\w范围内的字符，因此无法命中目标片段。

可行实现方案 #

核心思路分两步：

1. 先从句子中匹配到「所有并列下位词 + and other + 上位词」的完整结构，分别提取下位词整体串和上位词
2. 按分隔符拆分下位词串得到单个下位词，再按需求组装为列表或元组对

参考实现（Python）

import re

# 匹配核心结构的正则：分组1是所有下位词的整体串，分组2是上位词
core_pattern = re.compile(r'((?:\s*NP_\S+[^,and]*[,and]*)+)\s+other\s+(NP_\w+)')
# 拆分下位词的分隔符正则：仅按逗号、and拆分，保留or连接的完整项
split_pattern = re.compile(r'\s*,\s*|\s+and\s+')

# 测试句子
test_sentences = [
    "NP_kimmel  faces  NP_dui ,  NP_fleeing  or  NP_evading_police ,  and  other  NP_possible_charges .",
    "The  NP_network  has  asked  NP_big_bang_theory_co-creator_bill  prady  to  mastermind  the  NP_revival ,  which  would  see  the  NP_return  of  NP_kermit  the  NP_frog ,  NP_miss_piggy ,  NP_fozzie_bear  and  other  NP_old_favorites ."
]

for idx, sent in enumerate(test_sentences, 1):
    res = core_pattern.search(sent)
    if not res:
        continue
    hyponym_str, hypernym = res.groups()
    # 拆分得到单个下位词，过滤空串
    hyponym_list = [item.strip() for item in split_pattern.split(hyponym_str.strip()) if item.strip()]
    # 输出列表格式
    print(f"第{idx}句列表输出：{hyponym_list + [hypernym]}")
    # 输出元组对格式
    print(f"第{idx}句元组对输出：")
    for hyponym in hyponym_list:
        print(f"({hyponym}, {hypernym})")
    print("-" * 40)

运行结果

第1句列表输出：['NP_dui', 'NP_fleeing or NP_evading_police', 'NP_possible_charges']
第1句元组对输出：
(NP_dui, NP_possible_charges)
(NP_fleeing or NP_evading_police, NP_possible_charges)
----------------------------------------
第2句列表输出：['NP_kermit the NP_frog', 'NP_miss_piggy', 'NP_fozzie_bear', 'NP_old_favorites']
第2句元组对输出：
(NP_kermit the NP_frog, NP_old_favorites)
(NP_miss_piggy, NP_old_favorites)
(NP_fozzie_bear, NP_old_favorites)
----------------------------------------

内容的提问来源于stack exchange，提问作者Atif