基于字符串近似匹配的模式生成算法

的信 息 总 量 以爆 炸 式 的 速 度 增 长 ．人 们 正 在 处 理 越 来 越 多 的 数 对 于 匹 配 的 地 方 ， 留原 字 符 ， 于 不 匹 配 的 地 方 ， 保 对 根据 类 据 。在 这 些数 据 中 ， 有些 是 结构 化或 者半 结构 化 的 文本 数据 ． 型 ． 用 如 下 规 则 泛 化 ： 比 采 如Ｘ ＭＬ文 档 ． Ｔ Ｈ ＭＬ网页 。 有一 些 是非 结 构 化 自由 文 本 ． 还 比如 ８（，）泛 化为 （ ？ ｓａ ， ａ。 ） 各 种 各样 的 Ｌ ｇ 据 这 些 数 据是 针 对 人 类 的 ． 算 机 难 以理 解 ｏ数 计 ８（， ） 泛化 为 （ ？ ａ ｓ， ａ 。 ）
．
当模 式 中 的 字 符 达 到 一 定 的 泛 化 条 件 ． 则使 用 相 应 的 泛
用 正 规式 作 为 模 式 化规则泛化 ． 比如 （ Ｉ Ｃ， 泛 化 为ｆ ） ａ Ｉ ）可 ｂ ＼。 ｗ 算 法 的 思 想来 源 于一 个 很 朴 素 而 又 新 颖 的 想 法 ： 比较 两 个 ２２ 相 关 研 究 ．． 样 本 字符 串 ． 出 这两 个 字 符 串 的所 有 不 同之 处 ． 后 通 过 预 先 找 然 研 究 本 算 法 的 主要 动力 来 自于数 据 抽 取 技 术 ．数据 抽 取 或 定 义 的规 则 ． 这些 不 同之 处 一 个 一 个 泛 化 ， 而 得 出模 式 。 很 信 息 抽取 技 术 中产 生 模 板 的 研 究 很 多 ． 分 为人 工 干 预 的模 板 和 把 从 显 然 ， 化 后 的 模式 能 同时 匹配 这 ２个 样 本 字 符 串 ． 而 产 生 出 全 自动 模 板 抽 取 ， 献『１ 信 息 抽 取 领 域 现 有 的几 个典 型系 统 泛 从 文 ７对 了模 板 ， 代 使 用本 算 法 ， 到 模式 收 敛 。 个 简单 的例 子 如 图 迭 直 一
・
－
和 处理 人 们 希 望 从 这些 海 量 的数 据 中提 取 知 识 或从 中挖 掘 有 意 义 的信 息 ． 凶此 数 据 抽 取 技 术 就 被 提 了 出来
８（， ） 化 为 （ Ｉ ） ａ ｂ，泛 ａ 。 ｂ ３ 迭代 输 入 样 本 ． 到 模式 收敛 １ 直
・
数据 抽取 中一种重 要 的方法 就是 开发一 个封装 器ｆ ａ。 ＷｒＤ
．
很 好 的 泛 化能 力 ． 过其 也 能很 方 便 抽 取 数 据 ． 以大 部 分 现 有 作 ， 化 为 （ ８ ； 当 前 执 行 替换 操 作 ， 泛 化 为（ Ｉ ｃ； 通 所 泛 ａ ｂＩ ）若 ｔ 则 ａ Ｉ） ｂ 的 系 统 中 ． 使 用 正 规表 达 式 作 为其 模 式 的表 示 方 式 ． 文 也 使 都 本
２１ ０ ０年第 ２期
福
建 电
脑
５ ９
基 于字符 串近似 匹配 的模 式生成算 法
孙 进 ．龚沛 曾
（同济 大 学 上 海 ２ ０ ９ ０ ０ ２）
【 要】 摘 ：本文提 出一种 字符 串之 间的模 式产生算法。算法的思想来源 于一个新颖的 想法： 通过比较两个字符 串， 得到 两 个 字符 串的不 同之 处 ， 采 用 一 套 事 先 定 义 的规 则 来 泛 化 这 些 不 同 之 处 ， 而得 到 一 个 能 够 同时 匹 配 这 两个 字符 串的 模 并 从 式 ， 们 使 用正 规 表 达 式 来 表 示 这 个模 式 。 为 了计 算 两 个 字 符 串的 不 同之 处 ， 文 使 用 了字 符 串近 似 匹 配 的 方 法 ， 我 本 并提 出 了 种基于动态规划的改进算法 ， 降低 了 已有 算 法 的 时 空复 杂度 。 【 关键 词 】 模 式 生成 ， 符 串近 似 匹配 ， 据 抽 取 ： 字 数
使 用 字 符 串 匹配 算 法 计 算 当前 模 式 和 输 入 样 本 的 异 同 ． 由
ｐｒ 早 期 的 封 装 器 大 部 分 是 手 工 或 者 手 工 的 。 往 往 需 要 领 于 当前 的模 式 中不 仅 是 普 通 字 符 ． 有 已经 泛 化 了 的 字符 ． 当 ｅ１ ， 这 还 对 域 知识 ． 常 费 时费 力 而 且 不 容 易 维 护 ． 以我 们就 需 要 一 种 能 前模 式 的不 同 字 符 类 型 ． 化 规 则 如 下 ： 非 所 泛 够 自动推 导 出 封 装 器 的算 法
．
若 模 式 中 被 操 作 的 字 符 是 普 通 字 符 ． 按 照 ２的 方式 泛 则 １
本 文 提 出一 种 模 式 产 生 算 法 ．在 不需 要 人 工干 预 的情 况 下 化 。 根据 样 本 的 本 身 的特 点 推 导 出模 式 ．这 个 算 法 可 以 用 于 ｉ 规 表 Ｆ 插 人 一 个 字 符 的 操 作 不 涉 及 现有 模 式 中 的 字 符 ．所 以也 达式 的 自动 产 生 ． 为 数 据 抽 取 中 的 封 装 器 算 法 ． 后 续 的数 据 按 照 ２ 中规 则 泛 化 作 为 １
．
处 理 提 供 基 础 符 格 式 为 ｆ ７ ａ ．若 当执 行 删 除操 作 ）
２ 算 法概 述 ． 时 ， 做 动 作 ； 当 前执 行 替 换 操 作 ， ａ ＇ ）泛 化 为 （ 『 。 不 若 ８（？ ｂ， ａｂ ？） 本 文 的主 要 目的是 为 了产 生 出一 个 模 式 ，正 规 表 达 式 具 有 若 模 式 中 被 操作 的 字 符 格 式 为ｆ Ｉ） 若 当 前 执 行 删 除 操 ａ １ １．
一
１ 问 题 的提 出 ．
．
替 换一 个 符 号 ：（， ）把 样 本 中 符 号 ａ 换 成 符 号 ｂ ８ａ ｂ， 替 ：
信 息 技 术 日新 月 异 。 算 机 处 理 的 速 度越 来越 快 ． 联 网 中 计 互
２ Ｊ 预 定 义 的 规 则泛 化不 匹配 之 处 １｝ ｝ ４