spaCy：词汇中的单词

Question

我尝试使用 spaCy 进行错字更正，为此我需要知道词汇中是否存在单词。如果不是，则想法是将单词分成两部分，直到所有片段都存在。例如，“ofthe”不存在，“of”和“the”存在。所以我首先需要知道词汇中是否存在一个单词。这就是问题开始的地方。我试试：

for token in nlp("apple"):
    print(token.lemma_, token.lemma, token.is_oov, "apple" in nlp.vocab)
apple 8566208034543834098 True True

for token in nlp("andshy"):
    print(token.lemma_, token.lemma, token.is_oov, "andshy" in nlp.vocab)
andshy 4682930577439079723 True True

很明显，这没有任何意义，在这两种情况下，“is_oov”都是 True，并且它在词汇表中。我正在寻找像

这样简单的东西

"andshy" in nlp.vocab = False, "andshy".is_oov = True
"apple" in nlp.vocab = True, "apple".is_oov = False

在下一步中，还有一些单词校正方法。我可以使用拼写检查库，但这与 spaCy vocab 不一致

这个问题似乎是一个常见问题，欢迎提出任何建议（代码）。

谢谢，

阿赫

Answer 1

简短回答：spacy 的模型不包含任何适合拼写纠正的单词列表。

更长的答案：

Spacy 的vocab 不是特定语言的固定单词列表。它只是一个缓存，其中包含有关在训练和处理过程中看到的令牌的词汇信息。检查一个令牌是否在nlp.vocab 中只是检查一个令牌是否在这个缓存中，所以它不是一个有用的拼写纠正检查。

Token.is_oov 具有更具体的含义，这在文档中的简短描述中并不明显：它报告模型是否包含有关此标记的一些附加词汇信息，例如 Token.prob。对于像 en_core_web_sm 这样不包含任何概率的小型 spacy 模型，默认情况下，is_oov 对于所有令牌都是 True。 md 和 lg 模型包含有关 1M+ 标记的词汇信息，词向量包含 600K+ 标记，但这些列表太大且嘈杂，无法用于拼写校正。

Answer 2

对于拼写检查，您可以尝试 spacy_hunspell。 您可以将其添加到管道中。

更多信息和示例代码在这里： https://spacy.io/universe/project/spacy_hunspell