CCF-CSP第33次认证第二题——相似度计算

第33次认证第二题——相似度计算

官网题目链接

时间限制： 1.0 秒

空间限制： 512 MiB

下载题目目录（样例文件）

题目背景

两个集合的 Jaccard 相似度定义为：𝑆𝑖𝑚(𝐴,𝐵)=∣𝐴∩𝐵∣∣𝐴∪𝐵∣Sim(A,B)=∣A∪B∣∣A∩B∣​即交集的大小除以并集的大小。当集合 𝐴A 和 𝐵B 完全相同时，𝑆𝑖𝑚(𝐴,𝐵)=1Sim(A,B)=1 取得最大值；当二者交集为空时，𝑆𝑖𝑚(𝐴,𝐵)=0Sim(A,B)=0 取得最小值。

题目描述

除了进行简单的词频统计，小 P 还希望使用 Jaccard 相似度来评估两篇文章的相似性。 具体来说，每篇文章均由若干个英文单词组成，且英文单词仅包含“大小写英文字母”。 对于给定的两篇文章，小 P 首先需要提取出两者的单词集合 𝐴A 和 𝐵B，即去掉各自重复的单词。 然后计算出：

• ∣𝐴∩𝐵∣∣A∩B∣，即有多少个不同的单词同时出现在两篇文章中；
• ∣𝐴∪𝐵∣∣A∪B∣，即两篇文章一共包含了多少个不同的单词。

最后再将两者相除即可算出相似度。 需要注意，在整个计算过程中应当忽略英文字母大小写的区别，比如 the、The 和 THE 三者都应被视作同一个单词。

试编写程序帮助小 P 完成前两步，计算出 ∣𝐴∩𝐵∣∣A∩B∣ 和 ∣𝐴∪𝐵∣∣A∪B∣；小 P 将亲自完成最后一步的除法运算。

输入格式

从标准输入读入数据。

输入共三行。

输入的第一行包含两个正整数 𝑛n 和 𝑚m，分别表示两篇文章的单词个数。

第二行包含空格分隔的 𝑛n 个单词，表示第一篇文章；

第三行包含空格分隔的 𝑚m 个单词，表示第二篇文章。

输出格式

输出到标准输出。

输出共两行。

第一行输出一个整数 ∣𝐴∩𝐵∣∣A∩B∣，即有多少个不同的单词同时出现在两篇文章中；

第二行输出一个整数 ∣𝐴∪𝐵∣∣A∪B∣，即两篇文章一共包含了多少个不同的单词。

样例1输入

3 2
The tHe thE
the THE

样例1输出

1
1

样例1解释

𝐴=𝐵=𝐴∩𝐵=𝐴∪𝐵=A=B=A∩B=A∪B= {the}

样例2输入

9 7
Par les soirs bleus dete jirai dans les sentiers
PICOTE PAR LES BLES FOULER LHERBE MENUE

样例2输出

2
13

样例2解释

𝐴=A= {bleus, dans, dete, jirai, les, par, sentiers, soirs} ∣𝐴∣=8∣A∣=8

𝐵=B= {bles, fouler, les, lherbe, menue, par, picote} ∣𝐵∣=7∣B∣=7

𝐴∩𝐵=A∩B= {les, par} ∣𝐴∩𝐵∣=2∣A∩B∣=2

样例3输入

15 15
Thou that art now the worlds fresh ornament And only herald to the gaudy spring
Shall I compare thee to a summers day Thou art more lovely and more temperate

样例3输出

4
24

子任务

80%80% 的测试数据满足：𝑛,𝑚≤100n,m≤100 且所有字母均为小写；

全部的测试数据满足：𝑛,𝑚≤104n,m≤104 且每个单词最多包含 1010 个字母。

参考题解

#include<iostream>
#include<unordered_set>
#include<algorithm> 
#include<cstring>
using namespace std;

string toLowerCase(string s) {
	string result = "";
	for(char c: s) {
		result.push_back(tolower(c));
	}
	return result;
}

int main() {
	int len1, len2;
	cin >> len1 >> len2;
	
	unordered_set<string> a, b;
	string word;
	
	//处理第一篇文章
	for(int i = 0; i < len1; i++) {
		cin >> word;
		word = toLowerCase(word);
//		transform(word.begin(), word.end(), word.begin(), ::tolower); 也可以使用标准算法transform，更高效 
		a.insert(word);
	} 
	
	//处理第2篇文章
	for(int i = 0; i < len2; i++) {
		cin >> word;
		word = toLowerCase(word);
//		transform(word.begin(), word.end(), word.begin(), ::tolower); 也可以使用标准算法transform，更高效 
		b.insert(word);
	} 
	
	
	//计算交集大小
	int intersection = 0;
	for (const auto& s : a) {
		if (b.count(s)) { //count函数：查找容器中值为s的元素个数（由于无序集合没有重复元素故其返回值为1或0 
			++intersection; //交集+1 
		}
	} 
	
	//计算并集大小
	int union_size = a.size() + b.size() - intersection;
	
	//输出结果
	cout << intersection << endl;
	cout << union_size <<endl; 
	
	return 0;
}

知识点总结

• C++去重可以考虑std::unordered_set——会自动去除重复元素
• C++ 标准库提供了 std::transform 函数，它可以用来简化遍历和转换的过程，并且通常能提供较好的性能。  transform(word.begin(), word.end(), word.begin(), ::tolower); 头文件<algorithm>
• 字符处理函数tolower(char)，头文件<cctype>
• unordered_set相关方法：
  • 插入：insert()
  • 删除：erase()
  • 查找：find(), count()
  • 访问：通过迭代器访问元素
  • 获取集合大小：size(), empty()
  • 清空集合：clear()