一个关于KWIC编程的疑惑

[ArthurW]

假设字符串为ahahahahaha
根据regular expression的常规方法，如果要匹配aha，则对该字符串匹配3次，这也就是AntConc的匹配方式（AntConc就是用Perl写的）。

但我个人以为在该字符串中包含的aha似乎应该是5个，不知对不对？前段时间自己写KWIC concordancer的时候的想法就是这样，所以我的做法是：匹配第一次之后，将指针向后移1个字符，继续匹配，这样的运行效率比较低，但可以保证在上述字符串中检索到5个aha。

不知我是否说清了问题，请问各位高手，我的这种匹配方法是否必要？

 

[ArthurW]

回复: 一个关于KWIC编程的疑惑

个人觉得这不是个小问题，试想如果用regex方式用antconc在Brown中检索\w+/nn \w+/nn，即两个相邻的名词，假如有三个名词连续的情况，则在该处只能匹配一次，检索结果就完全不准确了

 

[superyangt]

回复: 一个关于KWIC编程的疑惑

按照你的思路，假设字符串是aahaahaahaahaahaa，要查找的是aahaa，那岂不是要后退2个才行？

 

[ArthurW]

回复: 一个关于KWIC编程的疑惑

按照你的思路，假设字符串是aahaahaahaahaahaa，要查找的是aahaa，那岂不是要后退2个才行？

这个情况下我觉得也应该匹配5次，不知我的表达是不是清楚
我的算法其实是这样：每次匹配之后把整个字符串的最左的1个字符去掉，在剩余部分继续匹配，如此反复，直到余下的不再包含key word

 

[xusun575]

回复: 一个关于KWIC编程的疑惑

很有意思的问题.
有个正则表达式的群,或许能有更好的见解:34553587

 

[ArthurW]

回复: 一个关于KWIC编程的疑惑

谢谢孙老师 类似的技术性讨论组我也参加了好多 贴在这里主要是因为语料库研究有些特殊性

 

[superyangt]

回复: 一个关于KWIC编程的疑惑

我个人觉得，应该是3个。

 

[ArthurW]

回复: 一个关于KWIC编程的疑惑

我个人觉得，应该是3个。

如果文本是I have a dream，检索的目标是由两个单词构成的词串，那么结果应该是几个呢？常规的正则表达式检索结果是2个，但我觉得应该是3个

 

[Yesir]

回复: 一个关于KWIC编程的疑惑

把字符串ahahahahaha 保存到一个txt文件中，然后使用正则表达式(a)(h)(?=\1) 在PowerGrep中可检索收集到5个aha，具体操作参考附件中图片。

 

[Yesir]

回复: 一个关于KWIC编程的疑惑

如果文本是I have a dream，检索的目标是由两个单词构成的词串，那么结果应该是几个呢？常规的正则表达式检索结果是2个，但我觉得应该是3个

“I have a dream” 的2元组(2-Gram)确实应有3个。测试方法：把 “I have a dream” 保存到一个txt文件中，用正则表达式(\b\w+\b)(?=((\s+\b\w+\b){1}))在PowerGrep中的“Collect data”功能。具体操作如图：