n******n 发帖数: 49 | 1 定义句子的相似度为:句子A和句子B的相同单词数/(句子A的单词数+句子B的单词数)
有一个文本,大小2G,约有1千万个句子,求相似度最高的10个句子对。要求效率最高。
大家有什么想法吗? | j*****u 发帖数: 1133 | 2 the key is to build inverted index, otherwise it is O(N^2): N is #sentenses
if data can be put into memory in full(2G usually okay), build two hashtable
s when reading the file
ha: sentense -> list of words in the sentense
hb: word -> list of sentenses that contain this word
then:
foreach sentense s in ha
{
get related sentenses by iterating s.words and looking up in hb;
foreach (rs in related sentenses)
calculate similiary(s, rs);
}
finally sort and get top 10.
Complexity is reduced to O(N * avg(#related-sentenses))
If cannot put whole data into memory, this problem can be solved by MapReduc
e
It needs several iterations of map-reduce in order to calculate simularity(c
ertain data needs to be carried around during intermediate steps) and sort
高。
【在 n******n 的大作中提到】![](/moin_static193/solenoid/img/up.png) : 定义句子的相似度为:句子A和句子B的相同单词数/(句子A的单词数+句子B的单词数) : 有一个文本,大小2G,约有1千万个句子,求相似度最高的10个句子对。要求效率最高。 : 大家有什么想法吗?
| n******n 发帖数: 49 | 3 嗯 我也想到了inverted index. 但是具体做法 和你的有些不同。和jerryju的相比,
可能不能算个好算法。。。。 但是 还是贴出来 讨论
首先,如果给2个句子算相似度,我就把其中一个hash,对另一个句子进行遍历,看这
第二个句子当中有多少个词出现在第一个句子对应的hashset里面。
现在,如果是1千万个句子,
第一步,我就用个mapreduce统计每个词在整个文本中出现的次数,输出
frequency>这样的pair。把这些pairs中的前n个(比如前500位)定义为“高频词”。
第二步,统计每个句子当中高频词数,比如i am a programmer, i,am, a这三个词都
是高频词,那就认为这个句子中高频词数为3。
第三步,取所有句子中最高频和次高频的两个句子,按照公式计算相似度,把这个相似
度作为一个下限,等下第四步用这个下限对文本中的句子对进行排除。
第四步,因为我们知道相似度一定是小于min(句子a单词数,句子b单词数)/(句子a单
词数+句子b单词数),所以我们取所有可能的句子对,算min(句子a单词数,句子b单词数
)/(句子a单词数+句子b单词数),如果算出的值小于第三步中的下限,则排除这个句子
对,根本不需要进行相似度计算。
第五步,因为第四步已经排除了一些,所以第五步可以进行pair-wise的相似度计算,
用个最小堆或者sort,选出相似度最高的10对。
如果某些步骤数据不能直接放进memory, 就用map reduce。
sentenses
hashtable
【在 j*****u 的大作中提到】![](/moin_static193/solenoid/img/up.png) : the key is to build inverted index, otherwise it is O(N^2): N is #sentenses : if data can be put into memory in full(2G usually okay), build two hashtable : s when reading the file : ha: sentense -> list of words in the sentense : hb: word -> list of sentenses that contain this word : then: : foreach sentense s in ha : { : get related sentenses by iterating s.words and looking up in hb; : foreach (rs in related sentenses)
|
|