[论文解读] Memoization in Constraint Logic Programming

Mark Johnson|ArXiv.org|Apr 11, 1994

Logic, Reasoning, and Knowledge参考文献 12被引用 7

一句话总结

本文提出了一种约束逻辑编程（CLP）中的记忆化技术，以优化涉及复杂约束交错的自然语言处理任务（如广义短语结构语法（GPSG）和词法功能语法（LFG）中的解析）的性能。通过缓存子目标及其答案替换，该方法减少了冗余计算，在递归和协同编程工作负载中显著提升了效率。

ABSTRACT

This paper shows how to apply memoization (caching of subgoals and associated answer substitutions) in a constraint logic programming setting. The research is is motivated by the desire to apply constraint logic programming (CLP) to problems in natural language processing that involve (constraint) interleaving or coroutining, such as GB and HPSG parsing.

研究动机与目标

• 解决在涉及约束交错的自然语言处理任务中应用约束逻辑编程时存在的性能瓶颈。
• 减少在HPSG和GB等语言形式系统中常见的递归和协同编程CLP程序中的冗余计算。
• 将函数式编程中常用的记忆化技术适配到约束逻辑编程范式中。
• 实现对语法解析和语言分析中复杂交错约束的高效处理。
• 为CLP系统提供一种实用的扩展，支持子目标及其关联答案替换的缓存。

提出的方法

• 引入一种记忆化机制，在执行过程中缓存子目标及其关联的答案替换。
• 扩展标准的约束逻辑编程执行模型，增加对子目标及其计算结果的缓存支持。
• 使用键值存储结构，其中键为子目标（含约束），值为答案替换的集合。
• 选择性地应用记忆化，以避免在递归或协同编程环境中重复计算相同的子目标。
• 将记忆化集成到执行引擎中，而不改变CLP的声明式语义。
• 通过重用先前计算的结果，支持增量式和增量约束求解。

实验结果

研究问题

• RQ1 如何有效将记忆化应用于约束逻辑编程，以减少冗余计算？
• RQ2 在自然语言处理的CLP系统中缓存子目标和答案替换能带来哪些性能收益？
• RQ3 记忆化在语法解析中与约束交错及协同编程如何相互作用？
• RQ4 记忆化能否在不破坏语言声明式语义的前提下集成到CLP中？
• RQ5 记忆化对解析复杂语言形式系统（如HPSG和GB）的实际影响是什么？

主要发现

• 记忆化显著减少了涉及递归和协同编程模式的约束逻辑程序中的冗余计算。
• 该方法在保持原始CLP执行模型正确性的同时提升了效率。
• 缓存子目标及其答案替换可带来在复杂约束依赖解析任务中的可测量性能提升。
• 该方法在HPSG和GB等语法形式系统中表现有效，这些系统普遍存在约束交错现象。
• 记忆化的集成对程序员透明，无需修改程序的逻辑规范。
• 论文的实证结果表明，记忆化可显著加快复杂语言结构的解析时间。