INF2820 Datalingvistikk – V2012 Jan Tore Lønning
Litt Python
Hvorfor Pyhton NLTK – Natural Language Tool Kit: Omgivelser for å eksperimentere med datalingvistikk Diverse datalingvistiske algoritmer Inkluderte språkdata, korpora Vekt på læring Python var først scripting language: Styre andre programmer, inkludert NLTK rutiner Gode redskaper for behandling av tekst string, list Intuitiv og lesbar syntaks som en pseudokode ”Read-eval-print”-løkke for rask utvikling
Python syntaks Tilordning: Python bruker indent som blokkavgrenser: def f(i): for j in [2,3,4]: i=j+i print i def g(i): for j in [2,3,4]: i=j+i print i Tilordning: a = 5 Python bruker indent som blokkavgrenser: Andre språk: begin-end, ( ) Hva tror du blir resultatet av kallene f(8) g(8)
Python datatyper integer float string: lister: ”Hello world” [3, 4, 5] >>> a = "Hello world" >>> a 'Hello world' >>> len(a) 11 >>> a[0] 'H' >>> a[-1] 'd' >>> b = a[3:7] >>> b 'lo w' >>> type(b) <type 'str'> >>>c = 10 >>>e = [3,4,c,c+c,5*c] >>>e [3,4,10,20,50] >>>e[3] = 19 [3,4,10,19,50] >>>f = e[1:] >>>f [4,10,19,50] >>>e[3]=f [3,4,10,[4,10,19,50],50] >>>f[2]=0 ? integer float string: ”Hello world” lister: [3, 4, 5] [’Hello’, ’world’] [3, 4, c] Aksesseres med indekser ”mutable”
Python er objektorientert Alt er objekter Har sine metoder Eksempler med strenger: ”Hello world,”.split() ”world,”.strip(’,’)
DFA i Python Jurafsky & Martin, fig. 2.13 Enkel Python if state in fa.finals: return True: else: return False streng = streng[1:] samme som Jurafsky & Martin, fig. 2.13 Enkel Python
DFA i Python - datastruktur f.edge[(3,'!')] = 4 streng = streng[1:] Denne strukturen for visning på skjerm Bedre praksis (mer tekst): Rutiner i klassen som leser inn data og konstruerer objektet Legg funksjonen som metode i klassen Enkel Python Datastruktur
Rekursjon iterasjon Rekursiv Iterativ return rec(fa, state, streng[1:], trace) streng = streng[1:] Rekursiv Iterativ
Prosessering med NFA
Søkerom
Breddeførst søk JFLAP Parallellsøk er noe tilsvarende
Dybdeførst søk m/ Backtracking Jurafsky og Martin
Husk: rekursiv DFA Rekursiv Iterativ return rec(fa, state, streng[1:], trace) streng = streng[1:] Rekursiv Iterativ
NFA i Python - Backtracking return rec(fa, state, streng[1:], trace) return False DFA NFA uten -transisjoner
NFA i Python - Datastruktur self.finals = [] … g=NFAFromFile('template.nfa') return False NFA uten -transisjoner
Python: ”list comprehension” edges = [e for e in fa.edges if state == e[0] and streng[0] == e[1] ] edges = [] for e in fa.edges: if state == e[0] and streng[0] ==e[1]: edges.append(e)
Python: ”list comprehension” if state == e[0] and streng[0] == e[1] ] states = [e[2] for e in fa.edges if state==e[0] and streng[0]==e[1] ] states = [] for e in fa.edges: if state==e[0] and streng[0]==e[1]: states.append(e[2])
Jurafsky og Martins algoritme Strengt tatt: nøytral mht. Dybde-først vs bredde-først Bruker løkke+agenda i stedet for rekursjon
Egenskaper ved algoritmene Både dybde-først m/backtracking breddeførst vil i verste fall ha eksponentielt tidsforbruk proporsjonalt med kn, der n= |w|, lengden av input k2 er maks antall kanter fra en node merket med samme symbol Med epsilontransisjoner Kan risikere ikke terminerer! Men vi vet jo at hvis vi først lager DFA får vi linjært tidsforbruk!
En raskere algoritme En konfigurasjon består av: Start: Oppdatering En mengde tilstander Resten av strengen Start: Q0 = E({q0}) (E er epsillontillukning) Oppdatering Gitt konfigurasjon: w_n = sw’ Qn={q1, …, qk} La ny konfigurasjon være w_n+1 = w’ Qn+1=E(N(q1,s)N(q2,s)… N(qk,s)) Akseptering Konfigurasjonen w_n = Aksepterer hvis minst en av q1, …, qk er en sluttilstand.
NFA-anerkjenning i Python (uten ) if len(streng)==0: streng = streng[1:] streng = streng[1:] Deterministisk Ikke-deterministisk
Egenskaper Svarer til underveis å bygge de delene vi trenger av DFA-ene som svarer til denne NFA-en. Algoritmen er linjær i |w|=n. Men kvadratisk i antall tilstander: m O(n m**2) Terminerer
Implementasjonon av NFA-er Oppsummering: DFA-algoritmen: Konstruer en ekvivalent DFA (Minimaliser denne) Bruk DFA-en NFA-algoritmen: Som simulerer DFA underveis For 1: Teoretisk raskere Mot 1: DFA-en kan få 2n tilstander der n er tilstander i NFA-en: Tar mye plass Kan i praksis ta lengre tid å slå opp i DFA-en Hvilken algoritme som er best: Er et empirisk spørsmål Avhenger av oppgaven
Regulære uttrykk i Praksis
Regulære uttrykk – to tilnærminger Teoretisk Praktisk Sett på så langt Oprinnelig (1950-tallet) J&M seksj 2.3 Tilstreber: Minst mulig notasjon for å definere klassen Formelt meget veldefinert ”RegEx” Unix (grep/egrep), Perl, Emacs, … Tilstreber effektiv i bruk Spesialsymboler, div. forkortelser. MEN: kan inneholde muligheter som går ut over de regulære språkene!
Forskjeller til teoretiske RE Vi beskriver ikke et språk men søker etter substrenger av et språk Ankere ^ begynnelsen av linjen $ slutten av linjen Går ut over rene RE Muligheten til å referere tilbake til hele grupper: Går utover regulære språk Kan ikke uten videre bruke DFA som algoritme
Implementasjon av regex Backtracking: En prøver å matche regex direkte mot (et segment av) strengen Leser regex fra venstre mot høyre (tilpasset for * + …) Ser om en kan utvide strengsegmentet til å matche neste symbol i regex Hvis ikke: backtrack – gå tilbake på tidligere valg SØK: finn et delsegment av strengen som matcher OBS: Regex går også utover kontekstfrie språk
Implementasjon av regex Hvis ekte regulært uttrykk: Gjør om til NFA Bruk algoritme 1 eller 2 Hvis regex går utover regulære uttrykk er det vanlige Bruk algoritme av type 3
Ta med hjem: Gitt en NFA: N som beskriver et språk L=L(N) Da finnes det en DFA: D som beskriver samme språk, L=L(D) Skal vi implementere N, kan vi enten konstruere D (forrige gang) Eller prosessere direkte med N (som om det var D) Uansett er prosedyren Ikke flertydig Deterministisk Tidsforbruket er linjært i input