- Java 双重比较
- java - 比较器与 Apache BeanComparator
- Objective-C 完成 block 导致额外的方法调用?
- database - RESTful URI 是否应该公开数据库主键?
我有一组搜索词,例如 [+dog -"jack russels"+"fox terrier"]、[+cat +persian -tabby ]。这些可能很长,每个术语可能有 30 个子术语。
我现在有一些在线新闻文章摘录,例如[“我的狐狸梗是世界上最可爱的狗......”]和[”有人看到我丢失的波斯猫了吗?他失踪了……”]。它们不太长,每个最多 500 个字符。
在传统的搜索引擎中,人们期望大量的文章被预处理成索引,在搜索给定的“搜索词”时允许加速,使用集合论/boolean 逻辑将文章减少到仅匹配的文章短语。然而,在这种情况下,我的搜索词的顺序是 ~10^5,我希望能够一次处理一篇文章,以查看该文章将与之匹配的所有搜索词集(即所有 + 术语都在文本中,而 - 术语都没有)。
我有一个可能的解决方案,使用两个映射(一个用于积极的子短语,一个用于消极的子短语),但我认为它不会非常有效。
一等奖是解决这个问题的图书馆,二等奖是朝着正确的方向解决这个问题。
亲切的问候,
最佳答案
假设匹配需要所有正子项:
将搜索词中的所有子词放入哈希表中。子项是键,值是指向完整搜索项数据结构的指针(应包括唯一 ID 和子项到 boolean 值的映射)。
此外,在处理新闻项时,创建一个“候选”映射,由术语 id 索引。每个候选结构都有一个指向术语定义的指针,一个包含所见子术语的集合和一个“拒绝”标志。
遍历新闻文章中的单词。
对于每个命中,查找候选条目。如果不存在,请创建并添加一个空的。
如果设置了候选拒绝标志,你就完成了。
否则,从术语数据结构中查找子术语。如果为负,则设置拒绝标志。如果为正,则将该子项添加到已见子项集合中。
最后,遍历候选人。所有未被拒绝且已见集合的大小等于该术语的正子术语数的候选者都是您的命中。
实现:https://docs.google.com/document/d/1boieLJboLTy7X2NH1Grybik4ERTpDtFVggjZeEDQH74/edit
运行时为 O(n * m),其中 n 是文章中的单词数,m 是共享相同子术语的最大术语数(预计会相对较小)。
关于java - 根据一组常量搜索词解析大量文本,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/10650599/
我有以下案例要解决。 在短语中突出显示关键字的 Javascript 方法。 vm.highlightKeywords = (phrase, keywords) => { keywords =
我要匹配文本中的所有美元符号单词。例如,"Hello $VARONE this is $VARTWO"可以匹配$VARONE和$VARTWO。 正则表达式应该是/\$(\w+)/g,但是当我在Dart
在 redux 中,对于将状态作为参数、更改状态并返回新状态的特定操作,您会在 switch 语句中调用什么函数? function reducer(state = DEFAULT_STATE, ac
在 MySQL 5.1 中,我将一个字段命名为“Starting”。但是,每次我使用 SQL 查询时,它都会说无效的 SQL 语法。经过一些谷歌搜索,我发现 STARTING 是一个保留的 SQL 词
我必须使用函数 isIn(secretWord,lettersGuessed) 从列表中找到密码。在下面发布我的代码。 def isWordGuessed(secretWord, lettersGue
一段时间以来,我一直无法找到两个字符串中最长的常用词。首先我想到了用“isspace”函数来做这件事,但不知道如何找到一个常用词。然后我想到了“strcmp”,但到目前为止我只能比较两个字符串。我在想
我目前正在尝试制作一种“单词混合器”:对于两个给定的单词和指定的所需长度,程序应返回这两个单词的“混合”。然而,它可以是任何类型的混合:它可以是第一个单词的前半部分与第二个单词的后半部分相结合,它可以
如果 After 之后(逗号之前)没有 -ing 词,我想匹配它。所以 After 和逗号之间不应该有 -ing 词。 所需的匹配项(粗体): After sitting down, he began
我一直在试验 Stanford NLP 工具包及其词形还原功能。我很惊讶它如何使一些词词形还原。例如: depressing -> depressing depressed -> depressed
js 并尝试根据 [这里] 中的示例代码来做词云:https://github.com/jasondavies/d3-cloud .我想做的是单词的字体大小是基于数组中单词的频率。例如我有 [a,a,
我正在处理一个文本分类问题(在法语语料库上),并且正在试验不同的词嵌入。我对 ConceptNet 提供的内容非常感兴趣,所以我决定试一试。 我无法为我的特定任务找到专门的教程,所以我听取了他们的建议
当我在文本中搜索时,我输入 C-s,然后输入单词,然后一次又一次地输入 C-s,光标前进到找到的单词的下一个位置。问题是,一旦我转到下一个单词,我无法在按钮处编辑迷你缓冲区中的搜索单词,如果我按 Ba
我正在尝试按照以下结构运行这个 maven Hello Word: ├── pom.xml └── src └── Main.java 使用pom.xml设置: 4.0.0
所以,从我可以开始的.. 我正在使用 OCR。该脚本非常适合我的需要。它检测单词的准确性对我来说还可以。 这是结果:附加图像 100% 准确。 from PIL import Image import
Closed. This question does not meet Stack Overflow guidelines。它当前不接受答案。 想要改善这个问题吗?更新问题,以便将其作为on-topi
这是细节,但我想知道为什么会这样。 示例代码: Class klasa = Enum.class; for(Type t : klasa.getGenericInterfaces()) Syst
我在用: var header = ""+ "Export HTML to Word Document with JavaScript"; var footer = ""; /
我有一个程序可以像这样将数据打印到控制台(以空格分隔): variable1 value1 variable2 value2 variable3 value3 varialbe4 value4 编辑:
我有一个程序可以像这样将数据打印到控制台(以空格分隔): variable1 value1 variable2 value2 variable3 value3 varialbe4 value4 编辑:
最近我在查看与goliath相关的一些代码时,偶然在Ruby代码中看到了这个词use。 , 中间件等。看起来它不同于include/extend, and require. 有人可以解释为什么存在这个
我是一名优秀的程序员,十分优秀!