Hellow Stack Overflow人。我想对以下问题提出一些建议。我正在使用Java。
我有一个带有多个字符串的数组＃1。例如，两个字符串可能是：“苹果落在牛顿头上”和“苹果在树上生长”。
另一方面，我有另一个阵列＃2，其中的术语如（Fruits =＆gt; Apple，Orange，Peach; Items =＆gt; Pen，Book; ...）。我把这个数组称为我的“字典”。
通过比较一个阵列到另一个阵列的项目，我需要看到＃1中的项目从＃2落入哪个“类别”。例如。来自＃1的两者都属于“水果”。
我最重要的考虑因素是速度。我需要快速完成这些操作。允许恒定时间检索的结构将是好的。
我使用contains（）方法考虑了Hashset，但它不允许使用子字符串。我也尝试运行像（apple | orange | peach | ...等）的正则表达式，并且不区分大小写的标志，但我读到，当条款数量增加时，它将不会很快（预期最小值为200）。最后，我搜索了，并考虑使用带有indexOf（）的ArrayList，但我不知道它的性能。我还需要知道哪些术语实际匹配，所以在这种情况下，它将是“Apple”。
请提供您对此问题的看法，想法和建议。
我看到了Aho-Corasick算法，但关键字/术语很可能经常发生变化。所以我认为我不能使用它。哦，我不是文本挖掘和数学的专家，所以请详细说明复杂的概念。
谢谢你，Stack Overflow人，你的时间！ ：）
答案 0 :(得分：3)
如果您使用Google Collections中的多重地图，则他们可以使用地图反转地图（因此您可以使用{“Fruits”=＆gt; [Apple]}这样的地图开始，然后生成一张带有{“Apple”的地图=＆gt; [“Fruits”]}。所以你可以在一次调用地图时查找单词并找到它的类别列表。
我希望自己能够自己拆分字符串并一次一个地查找地图中的单词，这样我就可以进行词干（调整不同的单词结尾）和停用词过滤。使用地图应该可以获得良好的查找时间，而且很容易尝试。
答案 1 :(得分：2)
suffix tree或类似的数据结构是否适用于您的应用程序？它提供了O（m）字符串查找，其中m是搜索字符串的长度，在O（n 2 ）之后 - 或者更好地使用一些技巧 - 初始设置，并且，还有一些额外的努力，您可以将任意数据（例如对类别的引用）与词典中的完整单词相关联。如果您不想自己编写代码，我相信BioJava库包含一个实现。
您也可以在初始设置后将字符串添加到后缀树，但成本仍然在O（n 2 ）附近。如果你要添加简短的话，这可能不是什么大问题。
答案 2 :(得分：0)
如果您只需要查找200个术语，则regexp可能实际上适合您。当然正则表达式很大，但如果你编译一次并且只使用这个编译的模式，查找时间可能是数组＃1中所有字符串的总长度的线性，我看不出你怎么希望被存在比这更好。
因此算法将：将要查找的数组＃2的单词连接到正则表达式中，编译它，然后在数组＃1中找到匹配项。
（正则表达式被编译成一个状态机 - 在字符串的每个字符上它只是为下一个状态进行表查找。如果正则表达式很复杂，你可能有回溯会增加时间，但你的常规表达式的结构非常简单。）