自动正则表达式构建器

Question

我有N个字符串。 此外，有K正则表达式，我不知道。每个字符串要么匹配其中一个正则表达式，要么是垃圾。集合中总共有L个垃圾字符串。 K和L都不为人知。

我想推断出正则表达式。显然，这个问题有无穷无尽的解决方案。我需要找到一个“相当不错的解决方案”，

1）使K

最小化

2）最小化L

3）最大化正则表达式的“细节”。我不知道这个品质的正确用语是什么。例如，字符串“ab123”可以描述为/ ab \ d + /或/\w+.+/，但第一个正则表达式更“具体”。

所有3个要求都需要作为一个复合标准，具有一定的合理权重。

针对一种特定情况的解决方案：如果L = 0且K = 1（只有一个正则表达式，并且没有垃圾），那么我们可以找到字符串的LCS（最长公共子序列）并从中得出相应的正则表达式那里。但是，当我们有“噪音”（L> 0）时，这种方法不起作用。

非常感谢任何想法（或对现有工作的指示）。

Answer 1

您要做的是语言学习或语言推断，而不是概括对一组给定的示例（你可能希望用一种小而强特定的语法来推断一种语言。

我不确定对此进行了多少研究。但是，如果您还想找到接受所有 n 字符串的minimal（= general）正则表达式，请在MDL（最小描述长度）和FSMs上搜索论文（有限状态机）。

Google Scholar处的两个有趣的问题：

• "minimum description length" automata
• "language inference" automata

Answer 2

学术界的关键词是“语法推理”。不幸的是，没有任何有效的通用算法来做你提出的那种事情。你真正的问题是什么？

编辑：听起来您可能对数据描述语言感兴趣。 PADS（http://www.padsproj.org/）是一个典型的例子。

Answer 3

这里没什么聪明的，也许我不完全理解这个问题？

为什么不总是将L减少到0？检查每个正则表达式的每个字符串;如果一个字符串与任何正则表达式都不匹配，那就是垃圾。如果匹配，请记住匹配的正则表达式/字符串，并在每个L = 0，K = 1上执行LCS以推断每个正则表达式的定义。