Question

我有一组字符串和一组关键字。

实施例字符串1：据报道，甲骨文和三星电子已经建立了新的合作关系，通过这种合作伙伴关系，他们将共同努力提供移动云服在上周四的会议上，甲骨文联合首席执行官Mark Hurd和三星电子移动主管Shin Jong-kyun

字符串2：这是一些随机字符串。

关键词：甲骨文，三星

该函数应返回String 1作为排名最高的字符串。我可以搜索每个字符串中的每个关键字，但是会花费太多时间，因为会有很多字符串和大量的关键字。

Answer 1

创建一个数据结构，将任何字符串中出现的每个术语映射到它出现的所有字符串。

Map<String,List<Integer>> keyword2stringId;

如果一个字符串多次包含相同的关键字，您可以简单地将其多次添加到List，或者 - 如果您愿意 - 使用稍微不同的地图，这样您也可以保持计数：

Map<String,List<Pair<Integer,Integer>>> keyword2pair; // pair = id + count

然后，对于每个关键字，您可以查找相关字符串并找到重叠率最高的字符串，例如：

// count the occurrences of all keywords in the different strings
int[] counts = new int[strings.length];
for (String keyword : keywords) {
     for (Integer index : keyword2stringId.get(keyword)) {
         if (index != null) {
             counts[index]++;
         }
     }
}

// find the string that has the highest number of keywords
int maxCount = 0; 
int maxIndex = -1;
for (int i = 0; i < counts.length; i++) {
    if (counts[i] > maxCount) {
        maxCount = counts[i];
        maxIndex = i;
    }
}

// return the highest ranked string or 
// 'null' if no matching document was found
if (maxIndex == -1) {
    return null;
} else {
    return strings[maxIndex];
}

此方法的优点是您可以计算地图离线（即仅一次），然后一次又一次地用于不同的查询。

Answer 2

看起来你应该试试一些搜索引擎或搜索库，例如Lucene或Solr

Lucene Core，我们的旗舰子项目，提供基于Java的索引   和搜索技术，以及拼写检查，点击突出显示和   高级分析/标记化功能。

Solr是一种流行的，超快速的开源企业搜索   基于Apache Lucene™构建的平台。

这两件事都支持你做你需要做的事情 - 搜索一些关键词并对它们进行排名。

Answer 3

此程序不能 O（n）复杂度，也就是说，您必须使用每个关键字检查字符串的每个单词。

现在，您唯一可以做的就是一次性检查每个字符串：

public int getRank(String string, String[] keyword) {
    int rank = 0;
    for (String word : string.split(" "))
        for (String key : keyword)
            if (word.equals(key))
                rank++;
    return rank;
}

在这个简单的示例中，rank每次在字符串中出现关键字时都会增加int。然后为每个字符串填充一系列排名：

String[] strings = new String[]{"...", "...", "...", "...", ...};
String[] keyword = new String[]{"...", "...", "...", "...", ...};

int[] ranks = new int[stringsNumber];
for (int i = 0; i < stringsNumber; i++)
    ranks[i] = getRank(strings[i], keyword);

Answer 4

我相信您真正需要的是TF/IDF - 期限频率/反向文档频率。提供的链接应该为您提供所需的信息，或者@Mysterion指出，Lucene将为您提供此信息。您不一定需要部署完整的Lucene / Solr / ElasticSearch安装，您只需使用自己需要的类

根据提供的关键字排列文本

4 个答案: