AcWing 5720. 相似度计算

5720. 相似度计算 - AcWing题库

题目描述

两个集合的 Jaccard 相似度定义为：

Sim(A,B)=|A∩B||A∪B|

即交集的大小除以并集的大小。

当集合 A和 B完全相同时，Sim(A,B)=1 取得最大值；当二者交集为Sim(A,B)=0 取得最小值。

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 A和 B，即去掉各自重复的单词。

然后计算出：

• |A∩B|，即有多少个不同的单词同时出现在两篇文章中；
• |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|和 |A∪B|；小 P将亲自完成最后一步的除法运算。

输入格式

输入共三行。

输入的第一行包含两个正整数 n和 m，分别表示两篇文章的单词个数。

第二行包含空格分隔的 n 个单词，表示第一篇文章；

第三行包含空格分隔的 m个单词，表示第二篇文章。

输出格式

输出共两行。

第一行输出一个整数 |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|，即两篇文章一共包含了多少个不同的单词。

数据范围

全部的测试数据满足：1≤n,m≤10000且每个单词最多包含 10个字母。

输入样例1：

3 2
The tHe thE
the THE

输出样例1：

1
1

样例1解释

A=B=A∩B=A∪B={the}

输入样例2：

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

输出样例2：

2
13

样例2解释

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

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

A∩B={les, par}|A∩B|=2

代码功能说明
读取两个整数 n 和 m，分别表示两个集合的元素数量
读取 n 个字符串到集合 a 中，同时也放入集合 c 中
读取 m 个字符串到集合 b 中，同时也放入集合 c 中
所有字符串都会转换为小写字母处理（忽略大小写）
输出两个统计结果：
第一个结果：两个集合的并集大小（a.size() + b.size() - c.size()）
第二个结果：两个集合的交集大小（c.size()）
关键知识点
使用 unordered_set<string> 存储字符串集合，自动去重且查找效率高
tolower(c) 将字符转换为小写，实现了大小写不敏感的比较
集合运算的数学原理：
并集大小 = A 的大小 + B 的大小 - 交集的大小
这里的集合 c 实际上存储的是 A 和 B 的交集

在集合论中，并集和交集是两种基本的集合运算，它们的含义和结果有显著区别：
1. 并集（Union）
定义：由属于集合 A 或 属于集合 B 的所有元素组成的集合。
符号表示：A ∪ B（读作 “A 并 B”）
逻辑关系：“或”（只要属于其中一个集合即可）
示例：
若 A = {1, 2, 3}，B = {3, 4, 5}
则 A ∪ B = {1, 2, 3, 4, 5}（包含 A 和 B 的所有元素，重复元素只保留一次）
2. 交集（Intersection）
定义：由同时属于集合 A 且 属于集合 B 的元素组成的集合。
符号表示：A ∩ B（读作 “A 交 B”）
逻辑关系：“且”（必须同时属于两个集合）
示例：
若 A = {1, 2, 3}，B = {3, 4, 5}
则 A ∩ B = {3}（只有 3 同时存在于两个集合中）
直观理解
可以用韦恩图表示：
并集（A ∪ B）是两个圆圈覆盖的全部区域
交集（A ∩ B）是两个圆圈重叠的区域
例如，在你提供的代码中：
变量c实际存储的是 A 和 B 的并集（所有出现在 A 或 B 中的元素）
代码中计算的a.size() + b.size() - c.size()其实是并集的大小
而 A 和 B 的交集大小需要通过其他方式计算（例如统计同时出现在 A 和 B 中的元素数量）
 

AC代码如下

#include <bits/stdc++.h>
using namespace std;

int main(){
    int n, m;               // n：第一个集合元素数量，m：第二个集合元素数量
    unordered_set<string> a, b, c;  // a：第一个集合，b：第二个集合，c：临时集合
    cin>>n>>m;
    while (n -- ) {
        string s;
        cin >> s;
        for (auto& c: s) c = tolower(c);  // 转换为小写（忽略大小写）
        a.insert(s);  // 存入集合a
        c.insert(s);  // 同时存入集合c
}
    while (m -- ) {
        string s;
        cin >> s;
        for (auto& c: s) c = tolower(c);  // 同样转为小写
        b.insert(s);  // 存入集合b
        c.insert(s);  // 同时存入集合c
}
    // 第一个输出：a和b的并集大小
    cout << a.size() + b.size() - c.size() << endl;
    // 第二个输出：c的大小（实际也是并集大小）
    cout << c.size() << endl;
    
    return 0;
}

总结
这段代码的核心功能是：
1.读取两个字符串集合，忽略大小写差异。
2.计算并输出两个集合的并集大小（重复输出了两次）。
若需计算交集，需要额外编写逻辑判断元素是否同时存在于两个集合中。