Question

使用Java（在Android上）我试图找到一种方法（快速...）来解决这个问题：

我有一个单词列表（大约10到30个）和一个文档。文档的长度也可以变化，可能大约2500到10000字。本文档是一本书的一部分。

我想要的是在本文档中找到包含列表中较高数量单词的字符串（句子...）。文档中的单词必须与我的单词列表顺序相同。通常情况下，文档中的单词不应该是另一个，也可能是我列表中每个单词之间最多2或3个单词。

为了更清楚，让我们以小数据为例。

我的单词列表是：

伤害工作日

我的文件：

就是这样，非常小心。你必须确保你拉起来定期所有的猴面包树，在他们可以的第一时刻区别于他们非常接近的玫瑰丛他们最早的年轻人。这是一项非常繁琐的工作，“小王子补充说，“但很容易。”有一天他对我说：“你应该做一个漂亮的画，让你住的孩子都可以看到究竟是怎么回事。如果他们这对他们非常有用有一天会去旅行。有时，“他补充说，”没有伤害推迟工作的直到另一个日。但当它是猴面包树的问题时，这总是意味着灾难。一世我知道一个懒惰的人居住的星球。他忽略了三个小灌木......“所以，正如小王子向我描述的那样，我画了那个星球。我不太喜欢拿道德主义者的语气。但猴面包树的危险性很小理解，任何人都会冒这样的风险可能会迷失在一颗小行星上，一旦我突破了我的星球保留。 “孩子们，”我坦率地说，“小心猴面包树！”

目标是在文档中找到字符串“在推迟工作之前没有任何损害”。

目前，我想到的唯一方法是：

1 - 在文档的列表中找到第一个出现的第一个单词。

2 - 将列表中的单词数乘以2或3，得到我必须在文档中检查的字符串长度（关于文档中列表单词之间的最大单词数）。

3 - 通过拆分和循环搜索此文档字符串（具有在步骤2中获得的字符串长度）的列表中其他单词的出现。

如果我认为我在这个字符串中出现的单词不够（可能大约50％），那么继续搜索文档，从下一次出现的列表中的第一个单词开始。

但是我担心这可能会很长很长，特别是因为我正在使用移动设备...所以我来这里是为了抓住一些我可能没想过的想法，或者一些可以帮助我完成这项任务的libs。我也考虑过正则表达式，但我不确定它是不是更好的方式。

@gukoff命题

最后，我的单词列表与我的文本的顺序不同，它简化了算法。 @gukoff答案的开头就足够了。无需实施LIS算法或反转列表。

//Section = input text
//wordsToFind = words to find in text separated by space
private ArrayList<ArrayList<Integer>> test1(String wordsToFind, Section section) {
    //1. Create the index of your words array.
    String[] wordsArray = wordsToFind.split(" ");

    ArrayList<Integer> indexesSentences = new ArrayList<>();
    ArrayList<ArrayList<Integer>> sentenceArrayIndexes = new ArrayList<>();
    ArrayList<Integer> wordsToFindIndexes = new ArrayList<>();

    for(Sentence sentence:section.getSentences()) {
        indexesSentences.clear();
        for(String sentenceWord:sentence.getWords()) {
            wordsToFindIndexes.clear();
            int j = 0;
            for(String word:wordsArray) {
                if(word.equals(sentenceWord)) {
                    wordsToFindIndexes.add(j+1);
                }
                j++;
            }
            //Collections.reverse(wordsToFindIndexes);
            for(int idx:wordsToFindIndexes) {
                indexesSentences.add(idx);
            }
        }
        sentenceArrayIndexes.add((ArrayList<Integer>)indexesSentences.clone());
    }
    return sentenceArrayIndexes;
}

public class Section {
    private ArrayList<Sentence> sentences;

    public Section (String text) {
        sentences = new ArrayList<>();

        if(text == null || text.trim() == "") {
            throw new IllegalArgumentException("Text not valid");
        }
        String formattedText = text.trim().replaceAll("[^a-zA-Z. ]", "").toLowerCase();
        String[] sentencesArray = formattedText.split("\\.");
        for(String sentenceStr:sentencesArray) {
            if(sentenceStr.trim() != "") {
                sentences.add(new Sentence(sentenceStr));
            }
        }
    }

    public ArrayList<Sentence> getSentences() {
        return sentences;
    }

    public void addSentence(Sentence sentence) {
        sentences.add(sentence);
    }
}

Answer 1

这是一个简单的方法，根据您的文档大小应该足够好：

制作一个array（称之为words），其大小为n，其中n是您document中的字数。
现在填充此数组，以便
words[i] = 0如果list中没有任何字词与此字词匹配 words[i] = k如果kth中的list字符与此字词匹配（1为基础的索引），则there is no harm in putting off a piece of work until another day.

示例：如果您的文档为work day harm piece且字词列表为words（按此顺序），那么您的[0,0,0,3,0,0,0,0,4,0,1,0,0,2]数组将如下所示2000~3000
< / LI>
2.现在您将拥有一个整数//AS Rev var elementsasrev = $(this).parent().find('tr').filter('.'+trclass); var asrev = parseInt(elementsasrev.eq(1).find("td:nth-child(6)").html()); if(typeof asrev !== "undefined") { $('.'+trclass).not(this).find(".asrev").html(asrev); } //FBspend var fbspend = parseInt($(this).find("td:nth-child(7)").html() ); $(this).find(".fbspend").html(fbspend); //Profit var profit= asrev - fbspend; $(this).find(".profit").html(profit).css('color','#479e3a');的数组。您可以使用Longest common subsequence problem的变体或稍微修改您的算法以找到最佳匹配。

Answer 2

因此，您可以找到要找到的单词和一个由要检查的句子组成的文本。

创建单词数组的索引。

例如，如果words = a dog is not a human：

{
    "a": [1, 5],
    "dog": [2],
    "is": [3],
    "not": [4],
    "human": [6]
}

在每个句子中，按照降序顺序将索引值替换为每个单词。也就是说，"a"被[5, 1]取代，"human"被[6]取代，"tree"被[]取代。

例如，句子"not a cat is a human"应变为[4, 5,1, 3, 5,1, 6]

在每个数组中找到Longest increasing subsequence（LIS）。从本质上讲，LIS将是句子中单词数组中最长的子匹配。

例如，[4, 5,1, 3, 5,1, 6]的LIS为[1, 3, 5, 6]，其映射到子匹配"a is a human"。

但一般来说，如果这些词语不应该相距很远，我建议使用动态编程找到LIS并进行相应的修改。

在文档

2 个答案: