python - 在 Python 中比较字符串以查找匹配单词的最佳方法是什么？

Question

我有两个文本，文本 A 和文本 B。文本 B 不是文本 A 的精确副本，它有很多不在文本 A 中的特殊字符，但从技术上讲，它是相同的文本。我需要比较字符串并将文本 B 中的对应项映射到文本 A 中的对应项。

文本不是英文的，也不容易翻译成英文，所以下面的例子只是为了说明一些问题。

文本 A 中的某些词不在文本 B 中，但文本 B 中的所有词都应在文本 A 中：

text_a = "he experienced déjà vu"
text_b = ['he', 'experienced']

文本 B 中的某些词使用与文本 A 不同的字符，但它们是相同的词：

text_a = "she owns & runs the cafe florae"
text_b = ['she', 'owns', 'and', 'runs', 'the', 'cefé', 'floræ']

文本 B 中的单词通常按正确的顺序排列，但并非总是如此：

text_a = "an uneasy alliance"
text_b = ['uneasy', 'alliance', 'an']

文本 B 中的一些单词是由较小的组件组​​成的，这些组件也包含在文本 B 中，而这些较小的组件是不必要的：

text_a = "we should withdraw our claim"
text_b = ['we', 'should', 'with', 'draw', 'withdraw', 'our', 'claim']

文本 A 中的某些词由文本 B 中的两个或多个词表示：

text_a = "they undercut their competitors"
text_b = ['they', 'under', 'cut', 'their', 'competitors']

我想要做的是用文本 B 中的对应词替换文本 A 中的单词。为此，我需要编写一个函数来匹配两个文本之间的单词。

我已经尝试编写一个函数，该函数使用库中的edit distance方法和一些正则表达式来比较字符串。nltk这只做得不错，所以我研究了使用sequence alignment库中的技术，例如biopython，但我无法理解这些。

特别是，在使用编辑距离时，很难将诸如“under”和“cut”之类的词与“undercut”匹配，同时也避免了短字符串中的错误。这是因为在一个包含相似标记的句子中，比如“to”和“tu”，这些标记与“tú”之类的东西有相同的编辑距离，理论上它们是同样有效的候选者，尽管这里明显的匹配是“tu” '，而不是'到'。

是否有任何高度准确的方法来匹配文本 A 中文本 B 中的字符串？我想得到如下输出：

text_a = "the cafe florae undercut their competitors then withdrew their claim"
text_b = ['the', 'café', 'floræ', 'under', 'cut', 'their', 'competitors', 'then',
          'with', 'drew', 'withdrew', 'their', 'claim']

match_list = some_matchfunc(text_a, text_b)

print(match_list)

[['the', 'the'], ['cafe', 'café'], ['florae', 'floræ'], ['undercut', 'under'],
 ['undercut', 'cut'], ['their', 'their'], ['competitors', 'competitors'], ['then', 'then'],
 ['withdrew', 'withdrew'], ['their', 'their'], ['claim', 'claim']]

理想情况下，这还将包括文本 A 中每个匹配单词的开头和结尾的索引，以避免混淆，例如下面出现两次的单词“their”：

[['the', [0, 3] 'the'], ['cafe', [4, 8] 'café'], ['florae', [9, 15] 'floræ'],
 ['undercut', [16, 24], 'under'], ['undercut', [16, 24], 'cut'], ['their', [25, 30], 'their'],
 ['competitors', [31, 42], 'competitors'], ['then', [43, 47], 'then'], ['withdrew', [48, 56], 'withdrew'],
 ['their', [57, 62], 'their'], ['claim', [63, 68], 'claim']]

如上所述，文本不是英文的，翻译它以使用 NLP 技术比较单词实际上并不可行，因此它确实需要基于字符串比较。我认为肯定有一些方法或库已经存在，它采用比我使用 RegEx 和编辑距离想出的更有效的序列比对算法，但我找不到。

有人知道用于比较字符串以实现此结果的高度准确的方法吗？

标签： pythonedit-distancesequence-alignment

Answer 1

问题本身非常复杂，我建议在合适的时候将字典与合适的同义词组合起来，然后再退回到序列比对方法。biopython 中的实现可能并不真正适合这种情况（例如，BLAST 依赖于一个对真实单词没有意义的得分矩阵，只对核苷酸或氨基酸序列有意义）。我建议你看看SequenceMatcher，它可以完成这项工作。一个非常简单（尽管幼稚）的解决方案是对所有候选者进行成对对齐并选择最接近的匹配。取决于对齐的复杂性，例如是否需要间隙/替换（想象一下"they're" -> "they are"）。

请记住，在某些情况下，将需要多对多、一对多和多对一替换（您的示例中已经有一些替换）。这不是通过序列比对自动解决的，因此我建议使用字典（如果可以的话，可以使用双向字典）。如果同义词语料库非常大，我什至会考虑为此类任务使用数据库。

此外，您的某些示例需要单词级别的替换，而有些示例需要字母级别的替换。我建议你分开处理这些。如果您不必处理拼写错误，我将从更大的（单词）规模开始，然后继续进行字母级别的替换。