如何在文件的各行中最佳地分配单词的标记外观？

Question

我有一个带故事的文本文件，其中每个句子出现在不同的行上，例如：

ONCE UPON A TIME, THERE WAS A MOUSE NAMED ED.
ED WAS A FRIENDLY MOUSE.
HE HAD MANY FRIENDS.
HE LIVED IN A SMALL HOUSE WITH HIS OTHER MOUSE FRIENDS.
HIS MOUSE FRIENDS WERE FRIENDLY.
HIS FRIENDS LIVED IN A SMALL HOUSE.
...

我还创建了一个单词列表，列出了故事中出现的每个单词。

ONCE
UPON
A
TIME
...

这有大约6,000个句子，4,000个独特单词。

我需要找到一个算法，我将写入BASH脚本，该脚本最符合此标准：

1. 单词列表中的每个单词都用故事中的大括号标记一次，例如：

   {ONCE} {UPON} {A} {时间}，{有}} {WAS} A {MOUSE} {NAMED} {ED}。 ED是{FRIENDLY} MOUSE。 {HE} {HAD} {MANY} {FRIENDS}。 HE {LIVED} {IN} A {SMALL} {HOUSE} {WITH} {HIS} {OTHER} MOUSE FRIENDS。 他的朋友朋友{WERE}友好。 他的朋友住在一个小房子里。 ...

可能会标记找到某个单词的任何位置，例如第一次出现，第三次出现，最后一次出现等。

1. 运行脚本并标记所有单词后，将删除没有大括号的行。在上面的例子中，“他生活在一个小房子里。”没有大括号，所以该行将被删除。

某些算法会导致许多行被删除。其他算法会减少删除的行数。

1. 最佳算法是删除最少行的算法。换句话说，标记词的选择需要最佳地分布在多行中。

这些是我尝试的算法：

1. 标记故事中每个单词的第一个出现位置。这导致大约50％的线被删除，大部分都在最后。

2. 标记故事中每个单词的第一个出现位于一条尚未有大括号的行上。如果找不到这样的行，则标记故事中该单词的第一次出现。这导致大约25％的行被删除。

3. 随机标记单词。结果可能仍然不是最佳的。

如何创建一个算法，在文件中标记一个单词的出现次数，从而最大限度地将这些标记分布在每一行中，从而产生尽可能少的无标记行？

Answer 1

准备二分图，其中一个部分的顶点对应于线条，另一个部分的顶点对应于单词。将边放在一行中出现的任何地方。找一个maximum matching，例如，Hopcroft - Karp。对于与单词匹配的每一行，在该行的该单词的出现周围加上大括号。用无与伦比的单词做一些特别的事情。