如何提取具有一定数量的公共子节点的节点组

Question

我正在解决一个测验并需要一些建议。

测验摘要如下：

  

书签服务的Analayze数据（如美味，挖掘...）并提取具有两个以上常用标签的网址组。

     

  
1. 每个书签数据包含1）user-id，2）url，以及3）标签数组。
  
2. 与所有网址相比，所有标签的尺寸都相对较小。也就是说，人们为有限集的网站添加书签
  
3. 分配给网址的所有代码都不同
  
4. 如果不同的用户为同一个网址添加了书签，则不应该将其分组。（但是，这是一个可选条件。您可以忽略user_id并假设所有网址都不同。）
  

示例：

siteA - [tag1, tag2, tag3]
siteB - [tag1, tag2, tag4]
siteC - [tag1, tag3, tag5]
siteD - [tag1, tag2, tag6]

以下两组URL将是结果

(siteA, siteB, siteD), (siteA, siteC)

因为（siteA，siteB，siteD）共享两个常见标记（tag1，tag2）和（siteA，siteC）也共享两个常见标记（tag1，tag3）。

- 条件3,4并添加了一个例子。谢谢@btilly。

我的问题是

1. 如何解决（或者可以应用哪种算法）并且实际上很快？
2. 是否有任何类型的代表性问题可通过类似的算法解决？

Answer 1

我会创建一个新的数据结构，它是一个标签，是带有该标签的URL的哈希值。

然后，对于每对标记，您可以使用较少URL的标记，遍历它们，并查找它是否在另一个标记中，生成共享该标记对的组。

如果您有n个标记，每个标记平均有m个网址，则O(n * m)生成新数据结构，O(n * n * m)生成网址