Python 3.x Spacy，具有跨越多个令牌的实体的匹配器

我试图创建一个匹配器，在文本中查找否定的自定义实体。对于跨越单个令牌的实体来说，它工作得很好，但是我在尝试捕获跨越多个令牌的实体时遇到了困难

例如，假设我的自定义实体是动物（标记为

token.ent\u type=“animal”

）

[“猫”、“狗”、“阿屈福克斯”]

（注意最后一个实体有两个单词）

现在我想在文本中找到那些被否定的实体，因此我可以创建一个具有以下模式的简单匹配器：

[{'lower'：'no'}，{'ENT_TYPE'：{'REGEX'：'animal'，'OP'：'+'}]

例如，我有以下文字：

房子里没有猫，地下室里也没有狐狸

我可以成功捕获

no cat

和

no artic

，但最后一个匹配不正确，因为完整匹配应该是

no artic fox

。这是由于模式中的

OP:'+'

匹配单个自定义实体而不是两个。如何修改模式以将较长的匹配优先于较短的匹配？

解决方案是使用，以便将每个多令牌实体的各个令牌合并为单个令牌：

import spacy
from spacy.pipeline import EntityRuler
nlp = spacy.load('en_core_web_sm', parse=True, tag=True, entity=True)

animal = ["cat", "dog", "artic fox"]
ruler = EntityRuler(nlp)
for a in animal:
    ruler.add_patterns([{"label": "animal", "pattern": a}])
nlp.add_pipe(ruler)


doc = nlp("There is no cat in the house and no artic fox in the basement")

with doc.retokenize() as retokenizer:
    for ent in doc.ents:
        retokenizer.merge(doc[ent.start:ent.end])


from spacy.matcher import Matcher
matcher = Matcher(nlp.vocab)
pattern =[{'lower': 'no'},{'ENT_TYPE': {'REGEX': 'animal', 'OP': '+'}}]
matcher.add('negated animal', None, pattern)
matches = matcher(doc)


for match_id, start, end in matches:
    span = doc[start:end]
    print(span)

现在输出为：

没有猫
没有阿提克福克斯

---

使用此解决方案，我甚至不需要向自定义实体添加

…{'OP'：'+'}