7-44 基于词频的文件相似度 (30 分)
实现一种简单原始的文件相似度计算,即以两文件的公共词汇占总词汇的比例来定义相似度。为简化问题,这里不考虑中文(因为分词太难了),只考虑长度不小于3、且不超过10的英文单词,长度超过10的只考虑前10个字母。
输入格式:
输入首先给出正整数N(≤100),为文件总数。随后按以下格式给出每个文件的内容:首先给出文件正文,最后在一行中只给出一个字符#
,表示文件结束。在N个文件内容结束之后,给出查询总数M(≤104),随后M行,每行给出一对文件编号,其间以空格分隔。这里假设文件按给出的顺序从1到N编号。
输出格式:
针对每一条查询,在一行中输出两文件的相似度,即两文件的公共词汇量占两文件总词汇量的百分比,精确到小数点后1位。注意这里的一个“单词”只包括仅由英文字母组成的、长度不小于3、且不超过10的英文单词,长度超过10的只考虑前10个字母。单词间以任何非英文字母隔开。另外,大小写不同的同一单词被认为是相同的单词,例如“You”和“you”是同一个单词。
输入样例:
3
Aaa Bbb Ccc
#
Bbb Ccc Ddd
#
Aaa2 ccc Eee
is at Ddd@Fff
#
2
1 2
1 3
输出样例:
50.0%
33.3%
输入用stringsteam很方便,可以分割空格。
但是一段中也有可能包含非字母的,要断开,比如Ddd#Fff其实是“ddd"和“fff”
用暴力的方法对比的话最后一个点会超时
所以用一重循环,count一下x在y里出现的次数即可。
#include<stdio.h>
#include<math.h>
#include<string.h>
#include<string>
#include<map>
#include<stack>
#include<vector>
#include<algorithm>
#include<sstream>
#include<set>
#include<iostream>
using namespace std;
#define inf 0x3f3f3f
int main()
{
int n,m,x,y,i,j,l;
cin>>n;cin.get();
map<string,int> a[105];
string s;
for(j=1;j<=n;j++)
{
while(getline(cin,s))
{
if(s=="#")break;
stringstream ss(s);
while(ss>>s)
{
string op="";
i=0;
while(i<s.size())
{
if(s[i]>='A'&&s[i]<='Z')
op+=s[i]+32;
else if(s[i]>='a'&&s[i]<='z')
op+=s[i];
else
{
if(op.size()<3);
else if(op.size()>10)
{
op=op.substr(0,10);
a[j][op]++;
}
else a[j][op]++;
op.clear();
}
i++;
}
if(op.size()<3)continue;
else if(op.size()>10)
{
op=op.substr(0,10);
a[j][op]++;
}
else a[j][op]++;
}
}
}
scanf("%d",&m);
while(m--)
{
scanf("%d%d",&x,&y);
int sum=0;
for(map<string,int>::iterator it=a[x].begin();it!=a[x].end();it++)
{
if(a[y].count(it->first))sum++;
}
if((int)a[x].size()+(int)a[y].size()-sum==0)printf("0.0%%\n");
else printf("%.1f%%\n",100.*sum/((int)a[x].size()+(int)a[y].size()-sum));
}
}