spaCy V3.0 基于规则匹配(1)----基于词例(Token)的匹配

#spaCy V3.0 基于规则匹配(1)----基于词符(Token)的匹配

用于发现短语、词符(tokens)、实体

相比于在普通文本上使用正则表达式，spaCy基于规则的匹配引擎和组件不仅可以找到要查找的单词和短语，还可以访问文档中的词符(tokens)及其关系。这意味着可以轻松地访问和分析被查找词符(tokens)周围的词符，将spans合并为单个Token，或者向doc.ents中的命名实体添加条目.

在介绍spaCy基于规则匹配的内容之前，首先回答两个问题。

• 1 使用规则还是训练模型？
  .
  对于复杂的任务，通常更好的做法是训练一个统计实体识别模型。然而，统计模型需要大量训练数据，因此，在许多情况下，基于规则的方法更为实用，尤其对一个新开始的项目。可以使用基于规则的方法作为数据收集过程的一部分，采用“自举法”启动统计模型。
  .
  如果希望系统能够基于现有示例类推到更大范围时，那么训练模型是非常有用的。要是有局部上下文线索，效果更好。例如，如果你试图发现人名或公司名，则此应用会得益于统计命名实体识别模型。
  .
  如果要从数据中找到的示例数量是有限的，或这些示例具有非常清晰、结构化模式，可以使用标记规则或正则表达式来表示，那么基于规则的系统就是一个不错的选择。例如，使用纯基于规则的方法，或许就能够很好地处理国家名称、IP地址或URL。
  .
  当然也可以将这两种方法结合起来，并使用规则来改进统计模型，以处理非常具体的案例提高准确性。有关详细信息，请参见基于第4节《基于规则的实体识别》。

• 2 使用词符匹配器(Token Mather)还是短语匹配器(PhraseMatcher)？
  .
  如果你已经有了一个由单个或多个Token短语组成的大型术语列表或地名录，并且希望在数据中找到其准确实例，那么PhraseMatcher非常有用。
  .
  Matcher(Token Mather)没有PhraseMatcher快，因为它是对各个Token属性进行比较。但是，它能够对所需查找的Tokens编写非常抽象的表示，比如：词汇属性、模型预测的语言特征、运算符、集合操作和丰富的比较操作。例如，你可以找到一个名词，后跟一个动词“爱”或“喜欢”，再跟一个或不跟限定词，以及另一个至少10个字符长的Token。

1 基于词符(Token)的匹配

spaCy提供了一个很有特色的Token规则匹配引擎—Matcher，类似于正则表达式。这些规则可以引用Token注释（例如，Token的text、tag_），以及标志（例如，IS_PUNCT）。此规则匹配器还允许传入一个自定义回调函数来对匹配项进行操作。例如，合并实体和应用自定义标签。您还可以将模式与实体id相关联，进行一些基本的实体链接或消除歧义任务。对于大型术语列表匹配，可以使用PhraseMatcher，它可以使用Doc对象作为