查找散列集中每个单词出现在文本文档中的次数

Question

我正在用Java实现Naive Bayes文本分类算法。

到目前为止我所做的是，声明一个名为Vocabulary的散列集，它存储来自给定文本文件（测试文件）的所有唯一单词。

该算法的一个步骤是将测试文件的所有成员连接成一个文本文件。事实证明这是一个相当大的文件，包含每个文件中的文字。

现在，我必须使用连接的文本文件计算词汇表中每个单词的出现次数。我的第一个猜测是保持一种包含每个单词频率的数组结构。但话说回来，我会有太多条目。

有人可以给我更好的建议吗？

Answer 1

使用字典（HashMap），其中单词是键，值是出现次数。如果HashSet适合内存，那么HashMap也应该适用。

Answer 2

您可以尝试使用Tries，叶节点可以存储单词的频率。