最近遇到了这个面试编程测试：
我觉得我有一个非常可行的解决方案，但我想知道他们是否在寻找我错过的具体内容。
（如果它有所作为 - 这不是我自己的面试，所以我不是想欺骗任何未来的雇主）
以下是我的假设：
第三个要求有点模糊 - 从技术上讲，如果你有任何确切的解决方案，你就“评估了所有可能的对”。
第一遍：将艺术家姓名转换为数字ID;将最喜欢的数据存储在临时文件中;为每位艺术家保留用户收藏的数量。
需要string-＆gt; int map来跟踪指定的ID;如果空间比速度更重要，则可以使用Patricia树（需要1/5的空间和两倍于我的时间，不可否认的是非常严格的测试）。
第二遍：迭代临时文件;抛弃那些没有单独地满足截止值的艺术家;保持2d矩阵中的对数。
将需要n(n-1)/2字节（或短路，或整数，取决于数据大小）加上数组引用开销。不应该是一个问题，因为n最多只有622K的0.01-0.05。
这似乎可以使用少于100MB的内存处理任何大小的真实数据集。
如果您无法进行多次传递（出于任何人为的原因），请使用Bloom过滤器数组来保持对数：对于您遇到的每对，找到它（可能）最高的过滤器，并添加到下一个最高的一个所以，第一次将它加到bf [0]，第二次加到bf [1]，依此类推，直到bf [49]。或者可以恢复到在某一点之后保持实际计数。
我没有运行这些数字，但是最少的几个过滤器会相当大 - 这不是我最喜欢的解决方案，但它可以工作。
还有其他想法吗？
答案 0 :(得分：3)
您应该考虑挖掘关联规则的现有方法之一。这是一个研究得很好的问题，本土解决方案不太可能更快。一些参考文献：
维基百科有一个非常糟糕的实施清单http://en.wikipedia.org/wiki/Association_rule_learning。
引用我以前的答案：What is the most efficient way to access particular elements in a SortedSet?。
此处有一个现有实施的存储库：http://fimi.ua.ac.be/src/。这些是几年前参加表演比赛的工具;他们中的许多都带有指示性文件来解释他们如何/何时/为什么比其他算法更快。
答案 1 :(得分：0)
有两点要求是关于不精确的解决方案，我猜他们正在寻找快速的快捷方式而不是穷举搜索。所以这是我的想法：
假设粉丝对喜爱的艺术家的选择之间绝对没有相关性。当然，这肯定是错误的。喜欢伦勃朗的人更有可能也喜欢鲁本斯，然后他也喜欢波洛克。 （你说过我们选的是最喜欢的艺术家，对吧？）我马上回过头来看看。
然后传递数据，计算不同艺术家的数量，粉丝的数量，以及每个艺术家出现的最喜欢的频率。当我们完成这个传递时：（1）消除任何没有单独显示所需数量的“配对时间”的艺术家。如果一个武器只出现40次，他就不可能被包括在40多对中。 （2）对于剩下的艺术家，将每个“像计数”转换为百分比，即这个艺术家被10％的粉丝所喜欢。然后对于每对艺术家，将他们的百分比加倍，然后乘以粉丝的总数。这是他们作为一对出现的估计次数。
例如，假设1000名粉丝，200名说他们喜欢伦勃朗，100名说他们喜欢Michaelangelo。这意味着Rembrandt为20％，Michaelangelo为10％。因此，如果没有相关性，我们估计20％* 10％* 1000 = 20两者都是如此。这低于阈值，所以我们不会包括这一对。
对此的关注是“喜欢”之间几乎肯定存在相关性。我的第一个想法是研究一些实际数据，看看有多少相关性，即实际对数与估计值的差异。如果我们发现，实际计数很少超过估计计数的两倍，那么我们可以说任何估计超过阈值1/2的对我们都声明为“候选”。然后我们对候选人进行详尽的统计，看看有多少人真正符合这个条件。这将使我们能够消除所有低于阈值的对，因为“不太可能”，因此不值得调查。
当艺术家几乎总是一起出现时，这可能会错过对。比如，像毕加索这样的100位粉丝，像梵高这样的60位粉丝，以及喜欢梵高50位的60位粉丝也喜欢毕加索，他们的估计会比他们的实际价格低很多。如果这种情况很少发生，则可能属于可接受的“不需要的确切答案”类别。如果它一直发生这种方法将不起作用。