mirror of
https://github.com/explosion/spaCy.git
synced 2025-01-27 09:44:36 +03:00
* Revise context, focussing on POS tagging for now
This commit is contained in:
Matthew Honnibal
parent
e27b912ef9
commit
f5c4f2eb52
|
|
@ -1,66 +1,49 @@
|
||||||
from thinc.typedefs cimport atom_t
|
from thinc.typedefs cimport atom_t
|
||||||
from .typedefs cimport hash_t
|
from .tokens cimport TokenC
|
||||||
from .tokens cimport Tokens
|
|
||||||
from .lexeme cimport Lexeme
|
|
||||||
|
|
||||||
|
|
||||||
cdef class Token:
|
cpdef enum:
|
||||||
cdef readonly atom_t sic
|
P2_sic
|
||||||
cdef readonly atom_t cluster
|
P2_cluster
|
||||||
cdef readonly atom_t norm
|
P2_shape
|
||||||
cdef readonly atom_t shape
|
P2_prefix
|
||||||
cdef readonly atom_t asciied
|
P2_suffix
|
||||||
cdef readonly atom_t prefix
|
P2_pos
|
||||||
cdef readonly atom_t suffix
|
P2_sense
|
||||||
cdef readonly atom_t length
|
|
||||||
|
|
||||||
cdef readonly atom_t postype
|
P1_sic
|
||||||
cdef readonly atom_t nertype
|
P1_cluster
|
||||||
cdef readonly atom_t sensetype
|
P1_shape
|
||||||
|
P1_prefix
|
||||||
|
P1_suffix
|
||||||
|
P1_pos
|
||||||
|
P1_sense
|
||||||
|
|
||||||
cdef readonly atom_t is_alpha
|
W_sic
|
||||||
cdef readonly atom_t is_ascii
|
W_cluster
|
||||||
cdef readonly atom_t is_digit
|
W_shape
|
||||||
cdef readonly atom_t is_lower
|
W_prefix
|
||||||
cdef readonly atom_t is_punct
|
W_suffix
|
||||||
cdef readonly atom_t is_space
|
W_pos
|
||||||
cdef readonly atom_t is_title
|
W_sense
|
||||||
cdef readonly atom_t is_upper
|
|
||||||
cdef readonly atom_t like_url
|
|
||||||
cdef readonly atom_t like_number
|
|
||||||
cdef readonly atom_t oft_lower
|
|
||||||
cdef readonly atom_t oft_title
|
|
||||||
cdef readonly atom_t oft_upper
|
|
||||||
|
|
||||||
cdef readonly atom_t in_males
|
N1_sic
|
||||||
cdef readonly atom_t in_females
|
N1_cluster
|
||||||
cdef readonly atom_t in_surnames
|
N1_shape
|
||||||
cdef readonly atom_t in_places
|
N1_prefix
|
||||||
cdef readonly atom_t in_games
|
N1_suffix
|
||||||
cdef readonly atom_t in_celebs
|
N1_pos
|
||||||
cdef readonly atom_t in_names
|
N1_sense
|
||||||
|
|
||||||
cdef readonly atom_t pos
|
N2_sic
|
||||||
cdef readonly atom_t sense
|
N2_cluster
|
||||||
cdef readonly atom_t ner
|
N2_shape
|
||||||
|
N2_prefix
|
||||||
|
N2_suffix
|
||||||
|
N2_pos
|
||||||
|
N2_sense
|
||||||
|
|
||||||
|
N_FIELDS
|
||||||
|
|
||||||
|
|
||||||
cdef class Slots:
|
cdef int fill_context(atom_t[N_FIELDS] context, const int i, TokenC* tokens) except -1
|
||||||
cdef readonly Token P4
|
|
||||||
cdef readonly Token P3
|
|
||||||
cdef readonly Token P2
|
|
||||||
cdef readonly Token P1
|
|
||||||
cdef readonly Token N0
|
|
||||||
cdef readonly Token N1
|
|
||||||
cdef readonly Token N2
|
|
||||||
cdef readonly Token N3
|
|
||||||
cdef readonly Token N4
|
|
||||||
|
|
||||||
|
|
||||||
cdef int N_FIELDS
|
|
||||||
|
|
||||||
|
|
||||||
cdef int fill_context(atom_t* context, int i, Tokens tokens) except -1
|
|
||||||
|
|
||||||
|
|
||||||
cpdef Slots FIELD_IDS
|
|
||||||
|
|
|
||||||
|
|
@ -1,126 +1,16 @@
|
||||||
from murmurhash.mrmr cimport hash64
|
cdef int fill_context(atom_t[N_FIELDS] context, const int i, TokenC* tokens) except -1:
|
||||||
from .lexeme cimport *
|
_fill_from_token(&context[P2_sic], &tokens[i-2])
|
||||||
|
_fill_from_token(&context[P1_sic], &tokens[i-1])
|
||||||
|
_fill_from_token(&context[W_sic], &tokens[i])
|
||||||
|
_fill_from_token(&context[N1_sic], &tokens[i+1])
|
||||||
|
_fill_from_token(&context[N2_sic], &tokens[i+2])
|
||||||
|
|
||||||
|
|
||||||
cdef class Slots:
|
cdef inline void _fill_from_token(atom_t[N_FIELDS] context, const TokenC* t) nogil:
|
||||||
def __init__(self):
|
context[0] = t.lex.sic
|
||||||
self.P4 = Token()
|
context[1] = t.lex.cluster
|
||||||
self.P3 = Token()
|
context[2] = t.lex.shape
|
||||||
self.P2 = Token()
|
context[3] = t.lex.prefix
|
||||||
self.P1 = Token()
|
context[4] = t.lex.suffix
|
||||||
self.N0 = Token()
|
context[5] = t.pos
|
||||||
self.N1 = Token()
|
context[6] = t.sense
|
||||||
self.N2 = Token()
|
|
||||||
self.N3 = Token()
|
|
||||||
self.N4 = Token()
|
|
||||||
|
|
||||||
|
|
||||||
cdef void _number_token(Token t, int* n_fields):
|
|
||||||
cdef int i = n_fields[0]
|
|
||||||
t.sic = i; i += 1
|
|
||||||
t.cluster = i; i += 1
|
|
||||||
t.norm = i; i += 1
|
|
||||||
t.shape = i; i += 1
|
|
||||||
t.prefix = i; i += 1
|
|
||||||
t.suffix = i; i += 1
|
|
||||||
t.length = i; i += 1
|
|
||||||
|
|
||||||
t.postype = i; i += 1
|
|
||||||
t.nertype = i; i += 1
|
|
||||||
t.sensetype = i; i += 1
|
|
||||||
|
|
||||||
t.is_alpha = i; i += 1
|
|
||||||
t.is_ascii = i; i += 1
|
|
||||||
t.is_digit = i; i += 1
|
|
||||||
t.is_lower = i; i += 1
|
|
||||||
t.is_punct = i; i += 1
|
|
||||||
t.is_space = i; i += 1
|
|
||||||
t.is_title = i; i += 1
|
|
||||||
t.is_upper = i; i += 1
|
|
||||||
|
|
||||||
t.like_number = i; i += 1
|
|
||||||
t.like_url = i; i += 1
|
|
||||||
|
|
||||||
t.oft_lower = i; i += 1
|
|
||||||
t.oft_title = i; i += 1
|
|
||||||
t.oft_upper = i; i += 1
|
|
||||||
|
|
||||||
t.in_males = i; i += 1
|
|
||||||
t.in_females = i; i += 1
|
|
||||||
t.in_surnames = i; i += 1
|
|
||||||
t.in_places = i; i += 1
|
|
||||||
t.in_games = i; i += 1
|
|
||||||
t.in_celebs = i; i += 1
|
|
||||||
t.in_names = i; i += 1
|
|
||||||
|
|
||||||
t.pos = i; i += 1
|
|
||||||
t.sense = i; i += 1
|
|
||||||
t.ner = i; i += 1
|
|
||||||
|
|
||||||
n_fields[0] = i
|
|
||||||
|
|
||||||
|
|
||||||
cdef int _fill_token(atom_t* c, Token t, Lexeme* lex, atom_t pos, atom_t ner):
|
|
||||||
c[t.sic] = lex.sic
|
|
||||||
c[t.cluster] = lex.cluster
|
|
||||||
c[t.norm] = lex.norm if (lex.prob != 0 and lex.prob >= -10) else lex.shape
|
|
||||||
c[t.shape] = lex.shape
|
|
||||||
c[t.asciied] = lex.asciied
|
|
||||||
c[t.prefix] = lex.prefix
|
|
||||||
c[t.suffix] = lex.suffix
|
|
||||||
c[t.length] = lex.length
|
|
||||||
|
|
||||||
c[t.postype] = lex.postype
|
|
||||||
c[t.nertype] = 0
|
|
||||||
c[t.sensetype] = 0
|
|
||||||
|
|
||||||
c[t.is_alpha] = lex.flags & (1 << IS_ALPHA)
|
|
||||||
c[t.is_digit] = lex.flags & (1 << IS_DIGIT)
|
|
||||||
c[t.is_lower] = lex.flags & (1 << IS_LOWER)
|
|
||||||
c[t.is_punct] = lex.flags & (1 << IS_PUNCT)
|
|
||||||
c[t.is_space] = lex.flags & (1 << IS_SPACE)
|
|
||||||
c[t.is_title] = lex.flags & (1 << IS_TITLE)
|
|
||||||
c[t.is_upper] = lex.flags & (1 << IS_UPPER)
|
|
||||||
c[t.like_url] = lex.flags & (1 << LIKE_URL)
|
|
||||||
c[t.like_number] = lex.flags & (1 << LIKE_NUMBER)
|
|
||||||
c[t.oft_lower] = lex.flags & (1 << OFT_LOWER)
|
|
||||||
c[t.oft_title] = lex.flags & (1 << OFT_TITLE)
|
|
||||||
c[t.oft_upper] = lex.flags & (1 << OFT_UPPER)
|
|
||||||
|
|
||||||
c[t.in_males] = lex.flags & (1 << IN_MALES)
|
|
||||||
c[t.in_females] = lex.flags & (1 << IN_FEMALES)
|
|
||||||
c[t.in_surnames] = lex.flags & (1 << IN_SURNAMES)
|
|
||||||
c[t.in_places] = lex.flags & (1 << IN_PLACES)
|
|
||||||
c[t.in_games] = lex.flags & (1 << IN_GAMES)
|
|
||||||
c[t.in_celebs] = lex.flags & (1 << IN_CELEBS)
|
|
||||||
c[t.in_names] = lex.flags & (1 << IN_NAMES)
|
|
||||||
|
|
||||||
c[t.pos] = pos
|
|
||||||
c[t.sense] = 0
|
|
||||||
c[t.ner] = ner
|
|
||||||
|
|
||||||
|
|
||||||
cdef int fill_context(atom_t* context, int i, Tokens tokens) except -1:
|
|
||||||
_fill_token(context, FIELD_IDS.P4, tokens.lex[i-4], tokens.pos[i-4], tokens.ner[i-4])
|
|
||||||
_fill_token(context, FIELD_IDS.P3, tokens.lex[i-3], tokens.pos[i-3], tokens.ner[i-3])
|
|
||||||
_fill_token(context, FIELD_IDS.P2, tokens.lex[i-2], tokens.pos[i-2], tokens.ner[i-2])
|
|
||||||
_fill_token(context, FIELD_IDS.P1, tokens.lex[i-1], tokens.pos[i-1], tokens.ner[i-1])
|
|
||||||
_fill_token(context, FIELD_IDS.N0, tokens.lex[i], tokens.pos[i], tokens.ner[i])
|
|
||||||
_fill_token(context, FIELD_IDS.N1, tokens.lex[i+1], tokens.pos[i+1], tokens.ner[i+1])
|
|
||||||
_fill_token(context, FIELD_IDS.N2, tokens.lex[i+2], tokens.pos[i+2], tokens.ner[i+2])
|
|
||||||
_fill_token(context, FIELD_IDS.N3, tokens.lex[i+3], tokens.pos[i+3], tokens.ner[i+3])
|
|
||||||
_fill_token(context, FIELD_IDS.N4, tokens.lex[i+4], tokens.pos[i+4], tokens.ner[i+4])
|
|
||||||
return 1
|
|
||||||
|
|
||||||
|
|
||||||
N_FIELDS = 0
|
|
||||||
FIELD_IDS = Slots()
|
|
||||||
_number_token(FIELD_IDS.P4, &N_FIELDS)
|
|
||||||
_number_token(FIELD_IDS.P3, &N_FIELDS)
|
|
||||||
_number_token(FIELD_IDS.P2, &N_FIELDS)
|
|
||||||
_number_token(FIELD_IDS.P1, &N_FIELDS)
|
|
||||||
_number_token(FIELD_IDS.N0, &N_FIELDS)
|
|
||||||
_number_token(FIELD_IDS.N1, &N_FIELDS)
|
|
||||||
_number_token(FIELD_IDS.N2, &N_FIELDS)
|
|
||||||
_number_token(FIELD_IDS.N3, &N_FIELDS)
|
|
||||||
_number_token(FIELD_IDS.N4, &N_FIELDS)
|
|
||||||
|
|
|
||||||
Loading…
Reference in New Issue
Block a user