从XML数据推断模式的学习确定性正则表达式
数据库
2010-04-15 v1 形式语言与自动机理论
摘要
为给定的XML文档集合推断合适的DTD或XML模式定义(XSD)本质上归结为从正例词集合中学习确定性正则表达式。不幸的是，我们将证明，没有算法能够仅从正例中学习完整的确定性正则表达式类。然而，实际DTD和XSD中出现的正则表达式具有每个字母符号仅出现少量次数的特点。因此，在实践中，学习每个字母符号最多出现k次（k较小）的确定性正则表达式子类就足够了。我们将此类表达式称为k次出现正则表达式（简称k-ORE）。基于这一观察，我们提供了一种概率算法，该算法针对递增的k值学习k-ORE，并基于最小描述长度(MDL)准则选择最能描述样本的确定性表达式。该方法在真实世界和合成数据上的有效性得到了实证验证。此外，该方法被证明比先前工作中考虑的更简单的表达式类更具保守性。
引用
@article{arxiv.1004.2372,
title = {Learning Deterministic Regular Expressions for the Inference of Schemas from XML Data},
author = {Geert Jan Bex and Wouter Gelade and Frank Neven and Stijn Vansummeren},
journal= {arXiv preprint arXiv:1004.2372},
year = {2010}
}