- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
我有一个单词列表,比如-list1=[男孩,苹果,芒果,汽车],我有两个文档,内容如下:
document1= The boy driving a car ate apple and mango.
document2= The boy ate an apple.
最佳答案
我认为你使用布卢姆过滤器是不合适的。
你说两个过滤器需要
被构造,一个用于单词列表,另一个用于正在搜索的文档。那么你
按位和过滤器。如果结果与原始单词列表相同,则筛选
文档已被接受,否则您将拒绝它。
如果这是对流程的正确理解,那么很明显文档只能通过
如果它包含了列表中的所有单词(或者通过哈希冲突,有一些额外的位是
在文档Bloom筛选器中设置,这可能导致其接受-可能导致误报)。
如果要在列表中的一个单词匹配后立即选择文档,则只需要为单词列表使用一个Bloom筛选器(对于正在测试的文档则不需要)使用Bloom filter散列函数逐个散列文档中的每个单词一旦生成的哈希值与word list bloom过滤器中的所有对应位匹配,就接受文档(这是一次成功的尝试)。然后你需要确认袭击没有到期
假阳性。
布卢姆过滤器的“美”在于它不受假阴性的影响。也就是说,如果
文档中的单词在bloom过滤器中有一个“hit”,您可以百分之百确定
文档中的单词出现在关联的单词列表中。
你面临的一个问题是bloom过滤器容易出错
积极的。误报是指在bloom过滤器上找到一个不在关联列表中的单词。
因此,你必须
每当Bloom过滤器指示“命中”时,使用实际单词列表显式地验证每个命中的“真实性”。
这是不可能的。
构造一个好的bloom过滤器的“艺术”是找到一组哈希函数
执行并导致较低的假阳性命中率(通常这相当于
散列函数)快速开启
Bloom过滤器将为您提供大量关于散列函数数量和过滤器大小的指导
需要达到给定的假阳性率(假设哈希函数良好)。
如果你做了计算,你会发现对于任何重要大小的单词列表,你都需要在
至少7个哈希函数以达到可接受的假阳性率。对每个
不管你怎么做,一个大文档中的单词都会变得“昂贵”此外,如果你的文件
包含大量不同的单词在Bloom过滤器上遭受假阳性点击的可能性
可能变得很重要-降低了它的有用性。
这里的其他答案表明,更好的方法是为列表中的单词构造一个简单的哈希表,然后对每个单词进行哈希
从文档中查看它是否在列表中有命中项。如果是,请选择文档很简单。这种技术
最有可能对这种类型的应用程序执行Bloom filter方法,除非
你的问题中没有概述非常特殊的情况。
编辑-什么是最好的方法?
有很多方法可以对给定的文本进行多字符串搜索。它是
很难说哪一个是您的应用程序的最佳解决方案,因为大多数算法和
它们的实现对复杂的因素(如平均字长、
不同的单词、文档大小、搜索列表中的单词数、可用内存、命中概率等)这里没有一个正确的答案。
使用Bloom过滤器可能是一个非常合理的方法,但是,您至少应该看看
其他选择。举几个例子:
google search这对于中等大小的单词列表非常有效。
Suffix Trees用于多字符串匹配
Compact encoding schemes也可以非常有效
而且,如果你能做一些简化的假设,比如要匹配的模式具有相同的长度,那么Hybrid algorithms combining Bloom filters plus a Suffix Tree之类的东西可能会很有用
归根结底,在决定任何具体的解决方案之前,你应该考虑更广泛的策略。
关于algorithm - 使用布隆过滤器查找文档中单词出现的可能性,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/20358983/
我有以下数据框 (df_hvl),列名“FzListe”和以下数据: FzListe 7MA1, 7OS1 7MA1, 7ZJB 7MA2, 7MA3, 7OS1 76G1, 7MA1, 7OS1 7
我有点小问题。仅当尝试写入的相同字符串/单词不存在时,我才想写入文件。在我的例子中,它是一个 IP 地址和端口,用“:”分隔。如果我手动写入文件,例如 193...:80 和 193...:22,它指
如何返回结果列中的单词示例? 我得到的最接近的是 [\W]{2,}[^,\W].+[?=,] ID 文本 我的结果(完全匹配) 预期(完全匹配) 1 词A,世界B,词C , 世界 B, 字B 2 wo
我想在引号之间得到一个字符串 我知道一个解决方案是: /'.*?'/ 但问题是它不适用于英语中的所有格或收缩格 例如: What is the name of Mario's brother in t
我应该在句子中找到出现最多的单词。 这是我尝试过的,但不起作用。 '); $max = -1; $resultWords = array(); $resultCount = array(); $i =
我是vim的新手。我正在尝试练习(最近阅读了一些教程),但是我发现我不能不突出显示“复制粘贴”中的字符/单词/行。 在Textmate中,我通常使用SHIFT + CTRL + LeftArrowKe
有谁知道一个JSON格式的英语词典,该词典具有(单词,定义和单词类型,例如名词/形容词/动词/副词) 这种格式: [ {"Word" : "Chair", "Definition" : "A
我正在做一些 javascript,同时我注意到我无法替换 html 标记内的“ document.getElementById('label').innerHTML = document.get
您好,我正在使用 groovy 2.1.5,我必须编写一个代码来显示具有给定路径的目录的内容/文件,然后它会备份文件并替换文件中的单词/字符串。 这是我用来尝试替换所选文件中的单词的代码 String
我正在准备一个实验,我想使用python编写程序以识别参与者说出的某些单词。 我在python中搜索了很多有关语音识别的内容,但结果却很复杂(例如CMUSphinx)。 我要实现的是一个程序,该程序接
假设我有以下代码: $size = 23.9 $size = "$size GB" write $size 我想在其他事情上使用相同的变量,即 if ($size -lt 20) {...} 这显然是
我想替换字符串中单词 Date 的所有情况,除非它是 Date()(即 Date 后跟括号)。这是一个字符串示例以及我最初尝试的内容: x gsub("Date", paste("Date:", S
我对 Java 和编程都很陌生,请记住这一点,请不要对我严厉 ^^。接下来,我最近用 Java 进行了一些培训,我喜欢这个挑战,但现在我只是陷入困境。我做了一些示例来查找用户输入的最大字符串,一切都很
我必须给一个数字x,并写x个字符串(单词)。我必须找到写得最多的那一篇。它可以工作,但是当我尝试从文件中读取它时,却没有。例如,如果我执行 a.out'' #include #include in
这里是学习者,如果这个问题看起来很荒谬,请多多包涵。假设我试图引用字符串中的字符而不是字符串本身,我该怎么做呢?我的意思是; 给定:var str = "我想知道一个大脑分散的计算机如何保持理智" 我
这是阿克沙塔。我一直在解析以下数据。我想单独获取每个单词。我可以有一个示例代码以便我可以继续吗 RTRV-HDR RH01 SIMULATOR 09-11-18 16 13 19 M R
我有一个任意字符串,它总是包含至少一个英文单词后跟一系列数字:"Hello World 1234" 我如何只提取 "Hello World" 来自字符串? 最佳答案 在我看来你需要反正则表达式: St
我正在尝试输入一个四个单词的句子,然后能够使用indexOf和子字符串单独打印出每个单词。有什么想法我做错了吗? 已编辑 那么这就是它应该的样子吗?我已经运行了两次,得到了两个不同的答案,所以我不确定
如何在文本开头查找短语(单词) 我需要非常快速的解决方案来查明文本是否以某些已知短语开头 我在 Mysql (innodb) 表中的短语如下: CREATE TABLE IF NOT EXISTS `
我在 MYSQL 表中有一本字典,该表由 240 000 个单词组成。例如,如果我有字母 G、I、G、S、N> 和 O 我想选择表中包含所有或部分这些字母(并且没有其他字母)的所有单词。 可接受的词语
我是一名优秀的程序员,十分优秀!