我有一个搜索引擎。搜索关键字时，搜索引擎会生成结果。我需要的是找到产生类似结果的所有其他关键字。
例如关键字 k1 给出结果集 R1 = {1,2,3,4,5，... 40}，其中包含最多40个文档ID 。我需要获取所有其他关键字 K1 的列表，这些关键字生成类似于 k1 生成的结果。
两个结果集 R1 和 R2 之间的相似性S（ R1 ， R2 ）计算如下：
2 * (number of same elements both in _R1_ and _R2_) / ( (total number of elements in _R1_) + (total number of elements in _R2_) )。示例： R1 = {1,2,3}和 R2 = {2,3,4,5}给出S（ R1 ，< em> R2 ）=（2 * | {2,3} |）/ | {1,2,3} | + | {2,3,4,5} | =（2 * 2）/（3 + 4）= 4/7 = 0.57。
有超过100,000个关键字，因此超过100,000个结果集。到目前为止，我只能用O（N ^ 2）的方法来解决这个问题，其中每个结果集都被压缩到每个其他集合。这需要很多时间。
有人有更好的主意吗？
一些类似的帖子并没有完全解决问题：
答案 0 :(得分：0)
一个问题是排序顺序的结果？
想到的东西结合了两个集合，对它进行排序并找到重复的东西。它可以减少到O（nlogn）
答案 1 :(得分：0)
为了使问题变得简单，假设所有关键词都有10个结果，而k1是要比较的关键词。您从每个关键字的集合中删除9个结果。现在将最后的结果与k1进行比较，并将具有相同最后结果的关键词与您想要的结果进行比较。如果一个关键词与k1有1个共同结果，则只剩下1％概率。与k1共同的5个关键词将保留25％概率。也许你会认为1％太大了，那么你可以重复上述过程n次，并且1个结果共同的关键词将有1％^ n概率保留。 时间 O（N）。
答案 2 :(得分：0)
您的相似性标准是已修复，还是我们可以应用一些变化以实现更快的搜索引擎？
<强>替代：
我想到了另一种选择：
根据结果集R1，您可以浏览文档并创建直方图，而不是其他关键字，这些文档将与之匹配。然后，如果给出替代关键字，例如，至少＃R1 / 2命中，则将其列为“相似”。
最大的区别在于，您根本不考虑不在R1中的文档。
<强>精确吗
如果您需要一个符合您要求的解决方案，我相信只为那些满足上述“替代”标准的关键字计算R2集就足够了。我认为（需要数学证明！）如果不满足“替代”标准，那么你的机会就不会存在。