[发明专利]一种正则表达式获得方法、装置、电子设备及存储介质

说明书

本申请提供一种正则表达式获得方法、装置、电子设备及存储介质，用于改善很难从非自然语言序列提取正则表达式的问题。该方法包括：对获得的多个有规律的字符序列进行向量化处理，获得多个序列向量；对多个序列向量进行聚类分析，获得多个聚类结果，多个聚类结果中的每个聚类结果包括多个序列向量；将多个聚类结果中的每个聚类结果中的多个序列向量对应的字符序列进行合并，获得多个合并序列；从多个合并序列的每个合并序列中提取正则表达式，获得多个正则表达式。通过向量化处理和聚类处理使得提取正则表达式的数据范围从自然语言文本语料到非自然语言文本语料，从而改善了目前很难从非自然语言序列提取正则表达式的问题。

技术领域

本申请涉及数据处理技术领域，具体而言，涉及一种正则表达式获得方法、装置、电子设备及存储介质。

背景技术

目前的提取正则表达式的方法，通常是先获取语料样本，再根据分词技术对语料样本进行分词，得到语料样本中包含的样本分词以及对应的样本分词词性；然后根据自然语言的语法规则分析样本分词，从样本分词中提取样本关键分词；最后根据样本关键分词和样本分词词性撰写语料样本对应的正则表达式。

在实践中发现，上述的方法仅适用于能够提取到关键词的自然语言序列，而对于无法提取关键词的非自然语言序列则不适用，也就是说，现有方法很难从非自然语言序列提取正则表达式。

发明内容

本申请实施例的目的在于提供一种正则表达式获得方法、装置、电子设备及存储介质，用于改善很难从非自然语言序列提取正则表达式的问题。

本申请实施例提供了一种正则表达式获得方法，包括：对获得的多个有规律的字符序列进行向量化处理，获得多个序列向量；对所述多个序列向量进行聚类分析，获得多个聚类结果，所述多个聚类结果中的每个聚类结果包括多个序列向量；将所述多个聚类结果中的每个聚类结果中的多个序列向量对应的字符序列进行合并，获得多个合并序列；从所述多个合并序列的每个合并序列中提取正则表达式，获得多个正则表达式。在上述的实现过程中，对获得的多个有规律的字符序列进行向量化处理和聚类处理，最后对聚类处理获得的多个序列向量进行合并获得多个合并序列，通过向量化处理和聚类处理使得提取正则表达式的数据范围从自然语言文本语料到非自然语言文本语料，从而改善了目前很难从非自然语言序列提取正则表达式的问题。

可选地，在本申请实施例中，所述对获得的多个有规律的字符序列进行向量化处理，获得多个序列向量，包括：对所述多个有规律的字符序列进行分词，获得多个词语；对所述多个词语统计词语的频率，获得多个频率；根据所述多个频率对多个词语进行向量化处理，获得多个序列向量。在上述的实现过程中，根据统计方法计算词频，可以将相似字符序列中的相同部分表示为高频，差异部分表示为低频，有效地减小了在聚类处理时造成的不良影响。

可选地，在本申请实施例中，在所述对获得的多个有规律的字符序列进行向量化处理，获得多个序列向量之后，在所述对所述多个序列向量进行聚类分析，获得多个聚类结果，该多个聚类结果中的每个聚类结果包括多个序列向量之前，还包括：减少所述多个序列向量中的每个序列向量的维度，获得维度减少后的多个序列向量。在上述的实现过程中，通过对减少序列向量的维度，能够有效地减少后续处理的运算量，从而节约了计算资源。

可选地，在本申请实施例中，所述对所述多个序列向量进行聚类分析，获得多个聚类结果，包括：对所述多个序列向量进行聚类分析，获得多个未筛选的聚类；对所述多个未筛选的聚类进行评估，获得评估结果；根据所述评估结果对所述多个未筛选的聚类进行筛选，获得所述多个聚类结果。在上述的实现过程中，通过对聚类结果进行评估，根据评估结果筛选聚类结果，从而减少了聚类错误导致无法合并的概率。