从文本中提取所有重复和唯一模式，以及上下文

Question

说我有文字“abcabx”。我想知道有一个重复的模式“ab”，它出现的所有位置，以及这些重复的上下文如何与其他事件相关。我还希望数据结构具有区分和隔离的独特模式“c”和“x”。我设置了一个后缀树，试图这样做，它看起来像这样（from this SO answer）：

这确实告诉我模式“ab”出现两次，一次是后缀“cabx”，另一次是“x”。但是，根部的“ab”仅指向模式的第一次出现。当我想要“ab”（在“cabx”中）以某种方式被认为是数据结构中的重复时，它还在其叶子“cabx”中嵌入了另一个“ab”。我知道根“ab”的“x”叶代表它，但我需要知道，在“ab”的“cabx”叶子中，那里有一个“ab”。此外，两个独特的模式“c”和“x”是该边缘的一部分。加上它们在那个边缘的位置，以及它们的“主要定义”（根边缘？）之间的交叉引用。似乎可以通过迭代树并将它们放在一起来计算出这些东西，但是我需要一个将这些信息存储在右边的数据结构。

也许更简单一点，数据结构需要清楚地说“这里是所有独特的模式”，“这里是所有重复的模式和它们发生的每个地方”，“这里是与所有相关的上下文这些东西“。

所以我想我正在寻找一个类似于图形的元素到后缀树，这将分割出已知的模式并明确地将它们联系起来。在此过程中，将注意到独特的模式。但是我仍然想要后缀树的上下文功能，比如说“c”（不是“cabx”，而是“c”）和“x”都出现在“ab”之后，“abx”出现在“abc”之后，什么跟在他们之后（在较大的情况下），是否有后缀树的改编，或者可能是另一种算法？

Answer 1

后缀树基本上只是以一种方式存储字符串的所有后缀，这使得搜索子字符串变得容易。重复多次的每个子字符串将恰好对应于一个非终端节点。找到模式出现的上下文相对容易 - 如果计算每个分支中的符号数，它将为您提供从序列末尾开始的子串的偏移，例如，有ab的两个分支，长度为1，长度为4，因此您知道该模式在字符串末尾显示3和6个符号，或者从开头开始显示3和0。