Est-il possible pour un ordinateur «d'apprendre» une expression régulière à l'aide d'exemples fournis par l'utilisateur?


95

Est-il possible pour un ordinateur "d'apprendre" une expression régulière à l'aide d'exemples fournis par l'utilisateur?

Clarifier:

  • Je ne pas veux apprendre des expressions régulières.
  • Je souhaite créer un programme qui "apprend" une expression régulière à partir d'exemples fournis de manière interactive par un utilisateur, peut-être en sélectionnant des parties d'un texte ou en sélectionnant des marqueurs de début ou de fin.

C'est possible? Existe-t-il des algorithmes, des mots-clés, etc. pour lesquels je peux utiliser Google?

EDIT : Merci pour les réponses, mais je ne suis pas intéressé par les outils qui fournissent cette fonctionnalité. Je recherche des informations théoriques, comme des articles, des tutoriels, du code source, des noms d'algorithmes, afin de pouvoir créer quelque chose pour moi-même.


4
Je suis surpris que personne n'ait mentionné Regex :: PreSuf
tripleee

Réponses:


44

Le livre An Introduction to Computational Learning Theory contient un algorithme pour apprendre un automate fini. Comme tout langage régulier équivaut à un automate fini, il est possible d'apprendre certaines expressions régulières par un programme. Kearns et Valiant montrent quelques cas où il n'est pas possible d'apprendre un automate fini. Un problème connexe est l' apprentissage des modèles de Markov cachés , qui sont des automates probabilistes capables de décrire une séquence de caractères. Notez que la plupart des «expressions régulières» modernes utilisées dans les langages de programmation sont en fait plus fortes que les langages normaux, et donc parfois plus difficiles à apprendre.


43

Oui, c'est possible, nous pouvons générer des expressions rationnelles à partir d'exemples (texte -> extractions souhaitées). Ceci est un outil en ligne fonctionnel qui fait le travail: http://regex.inginf.units.it/

L'outil en ligne Regex Generator ++ génère une expression régulière à partir d'exemples fournis à l'aide d'un algorithme de recherche GP. L'algorithme GP est piloté par une forme multi-objectifs qui conduit à des performances plus élevées et à une structure de solution plus simple (Rasoir d'Occam). Cet outil est une application de démonstration du Machine Lerning Lab, Université de Trieste (Università degli studi di Trieste). Veuillez regarder le didacticiel vidéo ici .

Ceci est un projet de recherche afin que vous puissiez en savoir plus sur les algorithmes utilisés ici .

Voir! :-)

Trouver une expression régulière / une solution significative à partir d'exemples est possible si et seulement si les exemples fournis décrivent bien le problème. Considérez ces exemples qui décrivent une tâche d'extraction, nous recherchons des codes d'article particuliers; les exemples sont des paires texte / extraction:

"The product code is 467-345A" -> "467-345A"
"The item 789-345B is broken"  -> "789-345B"

Un gars (humain), en regardant les exemples, peut dire: "les codes d'article sont des choses comme \ d ++ - 345 [AB]"

Lorsque le code article est plus permissif mais que nous n'avons pas fourni d'autres exemples, nous n'avons pas de preuves pour bien comprendre le problème. Lors de l'application de la solution générée par l'homme \ d ++ - 345 [AB] au texte suivant, elle échoue:

"On the back of the item there is a code: 966-347Z"

Vous devez fournir d'autres exemples, afin de mieux décrire ce qu'est une correspondance et ce qui n'est pas une correspondance souhaitée: --ie:

"My phone is +39-128-3905 , and the phone product id is 966-347Z" -> "966-347Z"

Le numéro de téléphone n'est pas un identifiant de produit, cela peut être une preuve importante.


4
Cela devrait être la meilleure réponse. C'est possible, et cela le démontre. La source est disponible ici: github.com/MaLeLabTs/RegexGenerator
rjurney

Votre exemple des codes de produit illustre pourquoi ledit humain devrait rechercher la spécification des codes de produit et écrire l'expression régulière basée sur la spécification, plutôt que d'essayer de déduire l'expression régulière à partir d'un ensemble limité d'exemples de codes de produit (indépendamment du fait qu'une personne ou un programme essaie de déduire l'expression régulière).
Jan Goyvaerts

2
C'est la bonne façon de faire les choses. Mon exemple n'est qu'un moyen, conceptuellement, d'expliquer le problème. Parfois, il n'y a pas de spécification, ou le gars n'est tout simplement pas capable d'écrire l'expression régulière (manque de connaissances) par lui-même.
Fabiano Tarlao le

Pour être plus précis et sans ambiguïté :-), "C'est la bonne façon de faire les choses" -> "Vous avez raison, c'est la meilleure façon de faire les choses, vous devriez toujours partir des spécifications quand c'est possible"
Fabiano Tarlao

2
L'article "Inférence d'expressions régulières pour l'extraction de texte à partir d'exemples" contient une explication détaillée de l'algorithme machinelearning.inginf.units.it/publications/…
mimmuz

36

Aucun programme informatique ne pourra jamais générer une expression régulière significative basée uniquement sur une liste de correspondances valides. Laissez-moi vous montrer pourquoi.

Supposons que vous fournissiez les exemples 111111 et 999999, si l'ordinateur génère:

  1. Une regex correspondant exactement à ces deux exemples: (111111|999999)
  2. Une expression régulière correspondant à 6 chiffres identiques (\d)\1{5}
  3. Une regex correspondant à 6 uns et neuf [19]{6}
  4. Une expression régulière correspondant à 6 chiffres \d{6}
  5. L'un des trois ci-dessus, avec des limites de mots, par exemple \b\d{6}\b
  6. L'une des trois premières, non précédée ou suivie d'un chiffre, par ex. (?<!\d)\d{6}(?!\d)

Comme vous pouvez le voir, il existe de nombreuses manières de généraliser les exemples en une expression régulière. La seule façon pour l'ordinateur de créer une expression régulière prévisible est de vous demander de répertorier toutes les correspondances possibles. Ensuite, il pourrait générer un modèle de recherche qui correspond exactement à ces correspondances.

Si vous ne souhaitez pas répertorier toutes les correspondances possibles, vous avez besoin d'une description de niveau supérieur. C'est exactement ce que les expressions régulières sont conçues pour fournir. Au lieu de fournir une longue liste de nombres à 6 chiffres, vous dites simplement au programme de faire correspondre "six chiffres quelconques". Dans la syntaxe des expressions régulières, cela devient \ d {6}.

Toute méthode permettant de fournir une description de niveau supérieur aussi flexible que les expressions régulières sera également aussi complexe que les expressions régulières. Tous les outils comme RegexBuddy peuvent faire est de faciliter la création et le test de la description de haut niveau. Au lieu d'utiliser directement la syntaxe d'expression régulière concise, RegexBuddy vous permet d'utiliser des blocs de construction en anglais simple. Mais il ne peut pas créer la description de haut niveau pour vous, car il ne peut pas savoir par magie quand il devrait généraliser vos exemples et quand il ne le devrait pas.

Il est certainement possible de créer un outil qui utilise un exemple de texte avec des instructions fournies par l'utilisateur pour générer une expression régulière. La partie la plus difficile dans la conception d'un tel outil est de savoir comment demander à l'utilisateur les informations d'orientation dont il a besoin, sans rendre l'outil plus difficile à apprendre que les expressions régulières elles-mêmes, et sans restreindre l'outil aux travaux regex courants ou aux expressions régulières simples.


Vous avez raison, de nombreux algorithmes d'apprentissage que j'ai trouvés après avoir posté ma question nécessitent des informations positives et négatives. Pour autant que je sache, une "description de niveau supérieur" explicite n'est pas nécessaire, car l'utilisateur la fournit en répondant à des questions.
Daniel Rikowski

Si un outil pose des questions, la combinaison des questions et des réponses données forme la description de niveau supérieur. La qualité de ces outils dépend largement des questions qu'ils posent.
Jan Goyvaerts

C'est stupide parce que si vous donnez un autre exemple, vous pouvez éliminer certaines de ces possibilités. Un autre exemple élimine davantage.
Cris

2
@Cris: Le principe demeure, quel que soit le nombre d'échantillons que vous fournissez. Cela change simplement les possibilités. Par exemple, l'ajout de 123456 change # 2 à (\ d) \ 1 {5} | 123456 et # 3 à [19] {6} | 123456. Ou cela pourrait changer le n ° 3 en [1-69] {6}. Il se pourrait même que le motif souhaité corresponde à 6 chiffres identiques ou 6 chiffres où chaque chiffre est supérieur d'un au chiffre précédent. Même si vous fournissez 10 000 échantillons de nombres à 6 chiffres, le programme ne peut pas faire la distinction entre les numéros 1, 4, 5 ou 6 sans instructions supplémentaires de l'utilisateur.
Jan Goyvaerts

J'ai l'impression que ce problème est facilement résolu comme suit: Le programme essaie d'être aussi général que possible (dans des limites raisonnables) et vous donne ensuite des exemples d'autres choses qu'il pense correspondre. En lui disant simplement «oui» et «non» aux correspondances proposées, vous pouvez l'aider à comprendre les limites de ce que vous essayez réellement de capturer. J'aimerais voir un outil dans un éditeur de texte qui utilise ce concept et propose des correspondances à partir du fichier actuellement ouvert.
Jon McClung

9

Oui, c'est certainement «possible»; Voici le pseudo-code:

string MakeRegexFromExamples(<listOfPosExamples>, <listOfNegExamples>)
{
   if HasIntersection(<listOfPosExamples>, <listOfNegExamples>)
     return <IntersectionError>

   string regex = "";
   foreach(string example in <listOfPosExamples>)
   {
      if(regex != "")
      {
         regex += "|";
      }
      regex += DoRegexEscaping(example);
   }
   regex = "^(" + regex + ")$";

   // Ignore <listOfNegExamples>; they're excluded by definition

   return regex;
}

Le problème est qu'il existe un nombre infini d'expressions rationnelles qui correspondent à une liste d'exemples. Ce code fournit la regex la plus simple / la plus stupide de l'ensemble, correspondant essentiellement à tout ce qui se trouve dans la liste des exemples positifs (et rien d'autre, y compris les exemples négatifs).

Je suppose que le vrai défi serait de trouver la regex la plus courte qui correspond à tous les exemples, mais même dans ce cas, l'utilisateur devrait fournir de très bonnes entrées pour s'assurer que l'expression résultante était "la bonne".


3
Cela commence à devenir intéressant lorsque l'utilisateur entre des échantillons positifs et négatifs . Le regex devrait correspondre aux échantillons positifs et ne pas correspondre aux échantillons négatifs.
user55400

@blixtor - En fait, c'est assez facile. Ne mettez simplement aucun exemple négatif dans l'expression rationnelle construite, et ils seront rejetés. N'oubliez pas que celui que le code construit ne correspond qu'à un exemple positif; les exemples négatifs (et toute autre chose) sont exclus par définition!
Daniel LeCheminant

Daniel a raison. Sans description de niveau supérieur, une liste d'alternatives est tout ce qui peut être déduit de manière cohérente et précise à partir d'une liste d'exemples.
Jan Goyvaerts

6

Je crois que le terme est «induction». Vous souhaitez induire une grammaire régulière.

Je ne pense pas que ce soit possible avec un ensemble fini d'exemples (positifs ou négatifs). Mais, si je me souviens bien, cela peut être fait s'il y a un Oracle qui peut être consulté. (Fondamentalement, vous devez laisser le programme poser des questions oui / non à l'utilisateur jusqu'à ce qu'il soit satisfait.)


Oui, c'est ce que je veux faire, demandez à l'utilisateur de manière interactive.
Daniel Rikowski

Les références de Yuval F semblent être ce que j'avais en tête, je suggérerais d'y jeter un coup d'œil.
Jay Kominek

5

Vous voudrez peut-être jouer un peu avec ce site, c'est assez cool et on dirait qu'il fait quelque chose de similaire à ce dont vous parlez: http://txt2re.com


4

Il existe un langage dédié aux problèmes comme celui-ci, basé sur le prologue. Ça s'appelle progol .

Comme d'autres l'ont mentionné, l'idée de base est l'apprentissage inductif, souvent appelé ILP ( programmation logique inductive ) dans les cercles d'IA.

Le deuxième lien est l'article wiki sur ILP, qui contient de nombreuses sources utiles si vous souhaitez en savoir plus sur le sujet.


2

@Yuval a raison. Vous regardez la théorie de l'apprentissage informatique, ou «inférence inductive».

La question est plus compliquée que vous ne le pensez, car la définition de «apprendre» n'est pas triviale. Une définition courante est que l'apprenant peut cracher des réponses quand il le souhaite, mais finalement, il doit soit arrêter de cracher des réponses, soit toujours cracher la même réponse. Cela suppose un nombre infini d'entrées et ne donne absolument aucune garantie quant au moment où le programme prendra sa décision. De plus, vous ne pouvez pas dire quand il a pris sa décision car il pourrait encore afficher quelque chose de différent plus tard.

Par cette définition, je suis presque sûr que les langues ordinaires sont apprenables. Par d'autres définitions, pas tellement ...


2

J'ai fait des recherches sur Google et CiteSeer et j'ai trouvé ces techniques / articles:

Aussi «Apprendre des ensembles réguliers à partir de requêtes et de contre-exemples» de Dana Angluin semble prometteur, mais je n'ai pas pu trouver une version PS ou PDF, seulement des citations et des articles de séminaire.

Il semble que ce soit un problème délicat même sur le plan théorique.


0

S'il est possible pour une personne d'apprendre une expression régulière, alors c'est fondamentalement possible pour un programme. Cependant, ce programme devra être correctement programmé pour pouvoir apprendre. Heureusement, il s'agit d'un espace logique assez fini, donc ce ne serait pas aussi complexe que d'enseigner à un programme pour pouvoir voir des objets ou quelque chose comme ça.


1
Ce n'est pas vrai, vous devriez rechercher des problèmes indécidables sur les machines de Turing.
Stephen Curial

Pour être honnête, j'ai dit que si une personne peut apprendre un REGEX, une machine peut le faire. Je ne le pensais pas en général.
cjk

@scurial Je ne pense pas qu'il y ait des problèmes qui se sont avérés être résolus par les gens mais indécidables sur les machines à turing, n'est-ce pas?
Sunny88 du
En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.