如何获取单词列表形式文本中多词目标序列的对应索引

实现思路 #

• 先把所有待匹配的多词目标拆分成单个单词的列表，同时记录每个目标的单词长度
• 遍历上下文单词列表的每一个可能的起始位置，只要起始位置加上目标单词长度不超过上下文总长度，就取出对应长度的上下文片段和目标拆分后的列表做对比
• 匹配成功就把当前的起始索引和结束索引（起始索引 + 目标长度 - 1）加入结果集
• 最后可根据需要对结果按索引先后排序，避免因为目标输入顺序导致结果顺序混乱

代码实现（Python为例） #

def find_multi_word_indices(context: list[str], targets: list[str]) -> list[list[int]]:
    result = []
    # 预处理目标：把每个多词目标拆成单词列表
    processed_targets = [t.split() for t in targets]
    context_len = len(context)

    for target_words in processed_targets:
        target_len = len(target_words)
        # 目标长度大于上下文总长度时直接跳过，避免无效遍历
        if target_len > context_len:
            continue
        # 遍历所有可能的起始索引
        for start_idx in range(context_len - target_len + 1):
            # 切片匹配目标单词
            if context[start_idx:start_idx+target_len] == target_words:
                end_idx = start_idx + target_len - 1
                result.append([start_idx, end_idx])
    # 按索引从小到大排序，保证结果顺序和出现顺序一致
    result.sort()
    return result

# 测试示例
context = ['Katie', 'Joplin', 'is', 'an', 'American', 'sitcom', 'created', 'by', 'Tom', 'Seeley', 'and', 'Norm', 'Gunzenhauser', '.', 'The', 'sitcom', 'received', 'positive', 'reviews', 'thanks', 'to', 'the', 'brilliance', 'of', 'Tom', 'Seeley', '.']
target = ['sitcom created', 'Tom Seeley']
print(find_multi_word_indices(context, target))

运行后输出结果为[[5, 6], [8, 9], [24, 25]]，和要求的输出完全一致。

注意事项 #

• 代码支持任意长度的多词目标匹配，不需要针对不同长度的短语做额外修改
• 如果需要按目标分组返回匹配结果，可调整返回结构，用字典存储每个目标对应的索引列表
• 不需要按出现顺序排序的话可以删除排序逻辑，结果会按目标的输入顺序返回

内容的提问来源于stack exchange，提问作者Balázs Fehér