假设我有一些格式不同的文件名。我希望能够像人类一样从这些文件名中提取某些信息；这需要模式识别能力。

显然，我可以通过正则表达式强行解决这个问题，但这并不是我想要的。假设我有这四个字符串：

[MAS] Hayate no Gotoku!! 20 [BD 720p] [21D138F8].mkv[Leopard-Raws] Akatsuki no Yona - 05 RAW (MX 1280x720 x264 AAC).mp4[BLAST] Wolf Girl and Black Prince - 05 [720p] [C1252A5E].mkv[sage]_Mobile_Suit_Gundam_AGE_-_36_[720p][10bit][45C9E0D0].mkv

如你所见，所有这些文件名都有一定的模式，但并不完全相同。因此，通用的正则表达式无法解决这个问题。相反，我想探索计算智能技术，如人工神经网络（ANN）或其他智能方法来解决这个问题。

假设我们想要提取文件名。人类会返回这些值：

Hayate no Gotoku!!Akatsuki no YonaWolf Girl and Black PrinceMobile Suit Gundam AGE

或者是集数：20, 05, 05, 36。你明白我的意思了。

有什么建议的技术可以用来达到预期的结果吗，或者这是大学里正在研究但尚未解决的问题吗？

回答：

你所寻找的被称为语法归纳，它通过让程序找出一个正则表达式（或其他类型的模式）来匹配某些字符串而不是其他字符串来工作。然而，你必须自己提供字符串，称为训练集，包括正面例子（应该匹配的字符串）和负面例子（不应该匹配的字符串）。

一种有趣的技术被称为提升，你可以学习许多简单的模式，这些模式是精确的（不匹配负面例子）但只匹配少数正面例子；然而，当它们结合在一起时，会匹配大量的正面例子。

由于你想提取子字符串而不是仅仅匹配字符串，我会采取的方法是取文件名的前缀并尝试匹配它们。这样你就知道子字符串从哪里开始了。这里有一个例子：

Positives:[MAS] [Leopard-Raws] [BLAST] [sage]_Negatives:[MAS] H[Leopard-Raws] Akat[BL[sage]_Mobile_Suit_Gundam_AGE_

如果操作正确，你应该能得到一个可以用于文件名前缀的正则表达式。通过一次增加一个字母的前缀，你可以知道感兴趣的内容从哪里开始。像这样：

[ False[s False[sa False[sag False[sage False[sage] True[sage]_ True[sage]_M False

这里发生的事情是我一次增加一个字符的文件名前缀，直到我学习的正则表达式匹配它。但我也想找到最长的匹配前缀（因为否则我会错过下划线，因为[sage]也是一个可接受的前缀），所以我继续向前移动，直到正则表达式不再匹配。这样我就会知道实际内容之前的前缀是”[sage]_”。你也可以用包含感兴趣内容的前缀来匹配它结束的位置。

要了解正则表达式学习，请查看这个帖子。请记住，自动学习永远不会是完美的，但你使用的例子越多，它就越准确。