xml – 在XQuery中为多个值计算出现次数的最有效方法

我有1581个单词需要在荷兰语的 XML语料库中查找(5亿字).该语料库本身在许多数据库中被分开. (您可以阅读为什么 here.)我们使用BaseX作为服务器(版本7.9),它使用XQuery作为输入.

我有兴趣通过中性确定器(het)或非中性确定器(de)找出每个单词在语料库中的次数 – 这是通过寻找由NP(名词短语)组成的XPath结构来完成的.有两个女儿,一个带有lemma de或het的限定词,和一个头,这是我感兴趣的词.

de的示例结构

/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="de"] and node[@rel="hd" and @pt="n" and @word="accelerator"]]
/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="de"] and node[@rel="hd" and @pt="n" and @word="accountant"]]
/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="de"] and node[@rel="hd" and @pt="n" and @word="ace"]]
/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="de"] and node[@rel="hd" and @pt="n" and @word="acroniem"]]

het的示例结构

/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="het"] and node[@rel="hd" and @pt="n" and @word="accelerator"]]
/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="het"] and node[@rel="hd" and @pt="n" and @word="accountant"]]
/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="het"] and node[@rel="hd" and @pt="n" and @word="ace"]]
/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="het"] and node[@rel="hd" and @pt="n" and @word="acroniem"]]

在XQuery中,我会这样做,对于每个XPath结构：

count(for $node in db:open("mydatabase")/treebank/tree/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="het"] and node[@rel="hd" and @pt="n" and @word="accelerator"]] return $node)

这很好用.问题是,这需要很长时间.每次都需要按顺序打开相同(数千个)数据库,并对每个单词重复此过程.我的问题是,是不是有办法连接一些查询.我有一些想法,但我不确定如何执行它们 – 另外,我不确定BaseX可以处理多少个参数.

>合并de和het查询.

这可能是最简单的情况.通过这样做,我至少减少了一半的查询需求.但我不知道在找到结果时如何区分这两者.例如,如果我将我的XPath代码更改为：

... (@lemma="de" or @lemma="het") ...

我应该找到所有案例,但我怎么能区分其中一个呢？换句话说,如果我使用那个XPath,我将从XQuery中的count函数返回一个数字,但是我无法知道哪个是de,哪个是？

>可以将相同的想法应用于接近结尾的单词属性

我可以将它们连接起来,而不是为每个单词执行新的查询：

... (@word="accelerator" or @word="accountant" or @word="ace" or ...) ...

但同样,我如何区分这些价值观呢？我可以将所有1581值放在一个XPath中吗？ BaseX可以处理吗？

>带有一个单词列表的for循环,然后将返回XML格式的结果以获取大量单词(如果BaseX可以处理,则可能全部返回).

我不是XQuery的专家,但在伪代码中,我猜这样的事情是可能的：

$wordlist = ['accelerator','accountant','ace','acroniem'];
$determinerlist = ['de','het'];
$db = 'mydatabase';
foreach ($wordlist as $word) {
  foreach ($determinerlist as $det) {
    count(for $node in db:open("'.$db.'")/treebank/tree/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="'.$det.'"] and node[@rel="hd" and @pt="n" and @word="'.$word.'"]] return $node);
  }
}

我不确定如何将计数分配给XQuery中的数组变量,如果可能的话,但XML输出可能看起来像这样(但当然欢迎更好的变体)：

<results>
  <result word="accelerator">
    <neuter>12</neuter>
    <nonneuter>3</nonneuter>
  </result>
  <result word="accountant">
    <neuter>4</neuter>
    <nonneuter>0</nonneuter>
  </result>
  <result word="ace">
    <neuter>14</neuter>
    <nonneuter>2</nonneuter>
  </result>
  <result word="acroniem">
    <neuter>3</neuter>
    <nonneuter>7</nonneuter>
  </result>
</results>

然后,我可以使用带有正则表达式或XML twig的Perl来获取我需要的值.

正如你所看到的那样,问题是找到一个合适的XQuery代码是有效的,并且考虑到我在一个巨大的语料库中查找了1581个单词,并且要经历的数据库数量也很多(千).对于每个数据库查找,通过Perl建立新连接.

如果您有任何疑问,请发表评论,我会尽可能地回答.

解决方法

一般来说,如果你利用索引而不是让你的查询遍历一万亿个节点,那么BaseX查询将是最快的(通常,非常快).除非您修改了默认的数据库创建选项,否则BaseX默认为您创建TEXT,ATTRIBUTE和TOKEN索引. (BaseX还尝试重新编写查询以利用索引 – 虽然它并不总是成功).

因此,假设您的数据库是使用ATTRIBUTE索引构建的,您应该能够按以下方式重新编写查询：

db:attribute('dbname','accelerator','word')/parent::*

上面使用的db：attribute函数将为数据库’dbname’返回任何属性的父元素,其中’accelerator’作为@word的值.显然你可以根据需要预测这个查询,就像这样,从你之前的例子来看：

db:attribute('dbname','word')
      [parent::node[@rel="hd" and @pt="n"]]
      [ancestor::node
        [@cat="np"]
        [child::node[@rel="det" and @pt="lid" and @lemma="het"]
      ]
    ]

以下是有关BaseX索引功能的详细文档.我已经将它用于对大型(> 20 GB)数据库进行速度查询的效果很好.

http://docs.basex.org/wiki/Indexes

xml – 在XQuery中为多个值计算出现次数的最有效方法

解决方法

相关文章