我正在构建一个明确的从句语法来解析 20,000 条半自然文本。随着我的谓词数据库的大小增长（现在多达 1,200 条规则），解析字符串可能需要相当长的时间——特别是对于 DCG 当前无法解释的字符串，由于我尚未编码的语法。对于包含 30 个单词的字符串，当前的最坏情况是 3 分钟。我正在尝试弄清楚如何优化它，或者我是否应该开始研究云计算。
我正在使用 SWI-Prolog，它提供了一个“配置文件”目标，它提供了一些统计信息。我惊讶地发现数据库中最简单的规则占用了大部分执行时间。我的语料库包含表示数字的字符串，我想在scalar/3谓词中捕获这些字符串。这些占用了总执行时间的 50-60%。
一开始，我的 中有 70 行scalars.pl，代表我的语料库中数字的数字和自然语言表示。像这样：
scalar(scalar(3)) --> ["three"].
scalar(scalar(3)) --> ["3"].
scalar(scalar(4)) --> ["four"].
scalar(scalar(4)) --> ["4"].
...等等。
考虑到文件的长度是问题所在，我添加了一个新规则来自动解析任何数字表示：
scalar(scalar(X)) --> [Y], { atom_number(Y, X) }.
多亏了这一点，我已经从 70 条规则变成了 31 条规则，并有所帮助——但这并不是一个巨大的节省。还有什么可以做的吗？我的感觉可能不是，因为还有什么比列表中的单个原子更简单的呢？
这些标量在整个语法中的很多地方都被调用，我认为这是问题的根源。虽然它们是简单的规则，但它们无处不在，而且不可避免。高度通用的语法对我的应用程序不起作用，如果我最终得到 3,000 条或更多规则，我也不会感到惊讶。
我从来没有建造过这么大的 DCG，所以我不确定在性能方面我能期待多少。很高兴就此提出任何建议：是否有其他编码这些规则的方法？我应该接受一些解析需要很长时间，并弄清楚如何并行运行解析吗？
先感谢您！
编辑：我被要求提供一个可重复的示例，但要做到这一点，我必须将 SO 链接到整个项目，因为这是一个规模问题。为了完整起见，这是我正在做的事情的玩具版本。想象一下，有描述数百个名词、数百个动词和数百个句法结构的大文件。
sent(sent(VP, NP)) --> vp(VP), np(NP).
vp(vp(V)) --> v(V).
np(np(Qty, Noun)) --> qty(Qty), n(Noun).
scalar(scalar(3)) --> ["three"].
scalar(scalar(X)) --> [Y], { atom_number(Y, X) }. …