regex - 字符串中的智能模式匹配

Question

假设我有格式不同的文件名。我希望能够像人类一样从所述文件名中提取某些方面；模式识别。

显然，我可以用正则表达式强制自己通过，但这不是我所追求的。假设我有这 4 个字符串:

[MAS] Hayate no Gotoku!! 20 [BD 720p] [21D138F8].mkv
[Leopard-Raws] Akatsuki no Yona - 05 RAW (MX 1280x720 x264 AAC).mp4
[BLAST] Wolf Girl and Black Prince - 05 [720p] [C1252A5E].mkv
[sage]_Mobile_Suit_Gundam_AGE_-_36_[720p][10bit][45C9E0D0].mkv

正如你所看到的，所有这些文件名都有一定的模式，但并不完全相同。所以银弹正则表达式不会削减它。相反，我想看看计算智能技术，例如 ANN 或其他聪明的想法来解决这个问题。

假设我们要提取文件名。人类会返回这些值:

Hayate no Gotoku!!
Akatsuki no Yona
Wolf Girl and Black Prince
Mobile Suit Gundam AGE

或剧集号: 20, 05, 05, 36 .你知道我要去哪里了。

哪些建议的技术对实现预期结果有用，或者这是大学正在研究但仍然没有解决方案的东西？

Answer 1

您要找的是grammar induction它可以工作，但让程序找出匹配某些字符串但不匹配其他字符串的正则表达式(或某种其他类型的模式)。但是，您必须自己给它字符串，称为训练集，带有正例(应该匹配的字符串)和反例(不应该匹配的字符串)。

一个有趣的技术叫做 boosting在那里你学到了很多简单的模式，这些模式很精确(不匹配负例)但只匹配几个正例；然而，当组合在一起时会匹配大量的正面例子。

由于您想提取子字符串而不仅仅是匹配字符串，我将采用的方法是获取文件名的前缀并尝试匹配它们。这样你就会知道子字符串从哪里开始。下面是一个例子:

Positives:
[MAS] 
[Leopard-Raws] 
[BLAST] 
[sage]_

Negatives:
[MAS] H
[Leopard-Raws] Akat
[BL
[sage]_Mobile_Suit_Gundam_AGE_

如果操作正确，您应该获得一个可以用于文件名前缀的正则表达式。通过一次增加一个字母的前缀，您可以知道感兴趣的内容从哪里开始。像这样:

[ False
[s False
[sa False
[sag False
[sage False
[sage] True
[sage]_ True
[sage]_M False

这里发生的事情是我一次增加一个字符的文件名前缀，直到我学习的正则表达式匹配它。但我也想找到匹配的最长前缀(因为否则我会错过下划线，因为 [sage] 也是一个可接受的前缀)所以我继续前进，直到正则表达式停止匹配。这样我就知道实际内容开始之前的前缀是“[sage]_”。您也可以通过使用包含感兴趣内容的前缀来匹配它的结束位置。

要了解正则表达式学习，请参阅此 post .请记住，自动化学习永远不会完美，但您使用的示例越多，它就越准确。