问题:
(简化)输入两个字符串,一个表示用户输入的搜索关键词,另一个表示一篇网页的内容。对于搜索关键词和网页分别进行自动分词后,用户输入的搜索关键词和网页内容的两个字符串变为两个词语序列。所求摘要即为网页序列中包含搜索关键词序列的最短的子串。
(网页序列包含搜索关键词序列里面的所有词语,但是不要求顺序相同,最短摘要是网页字符串中所有满足这样要求的最短子串。)
分析与解法:
假设W数组是经过网页分词之后的结果,其中W[0], W[1],…, W[n]为一些已经分好的词语;Q数组是用户输入的搜索关键词,其中Q[0], Q[1],…, Q[m]为所有输入的搜索关键词。
w0,w1,w2,w3,q0,w4,w5,q1,w6,w7,w8,q0,w9,q1
【解法一】
- 从W数组的第一个位置开始查找出一段包含所有关键词数组Q的序列,计算当前的最短长度,并更新结果序列;
- 对目标数组W进行遍历,从第二个位置开始,重新查找包含所有关键词数组Q的序列,同样计算出其最短长度,以及更新包含所有关键词的结果序列,然后求出最短距离;
- 依次操作下去,一直到遍历至目标数组W的最后一个位置为止。
时间复杂度是O(m*n^2)。
【解法二】
第一种解法中有大量的重复计算,对其进行优化。第一次扫描的时候,假设需要包含所有的关键词,从第一个位置w0处将扫描到w6处
w0,w1,w2,w3,q0,w4,w5,q1,w6,w7,w8,q0,w9,q1
下次扫描,先把第一个被扫描的位置挪到q0处
w0,w1,w2,w3,q0,w4,w5,q1,w6,w7,w8,q0,w9,q1
然后把第一个被扫描的位置继续往后面移动一格,这样包含的序列中将减少了关键词q0。那么便可以把第二个扫描位置往后移,这样就可以找到下一个包含所有关键词的序列。即从w4扫描到w9处,便包含了q1,q0
w0,w1,w2,w3,q0,w4,w5,q1,w6,w7,w8,q0,w9,q1
这样,问题就和第一次扫描时碰到的情况一样了。依次扫描下去,在w中找出所有包含q的序列,并且找出其中的最小值,就可得到最终的结果。
时间复杂度是O(m+n)。
书中代码如下,
int nTargetLen = N + 1; // 设置目标长度为总长度+1
int pBegin = 0; // 初始指针
int pEnd = 0; // 结束指针
int nLen = N; // 目标数组的长度为N
int nAbstractBegin = 0; // 目标摘要的起始地址
int nAbstractEnd = 0; // 目标摘要的结束地址
while(true)
{
// 假设未包含所有的关键词,并且后面的指针没有越界,往后移动指针
while(!isAllExisted() && pEnd < nLen)
{
pEnd++;
}
// 假设找到一段包含所有关键词信息的字符串
while(isAllExisted())
{
if(pEnd – pBegin < nTargetLen)
{
nTargetLen = pEnd – pBegin;
nAbstractBegin = pBegin;
nAbstractEnd = pEnd – 1;
}
pBegin++;
}
if(pEnd >= N)
Break;
}
全部代码实现如下,
#include <stdio.h>
#include <string>
#include <map>
class KeyWordChecker {
public:
KeyWordChecker() : current_state_(false) {}
void AddKeyWord(const std::string& word) {
if (keywords_.find(word) == keywords_.end()) {//如果该字符不存在
keywords_[word] = 0;
}
}
bool IsContainAllKeyWord(const std::string& word, bool add) {
if (keywords_.find(word) == keywords_.end()) {
return current_state_;
}
if (add) {
keywords_[word]++;//每个关键字出现的次数
} else {
keywords_[word]--;
}
std::map<std::string, int>::iterator begin = keywords_.begin();
int counter = 0;//总的关键字出现的次数
while (begin != keywords_.end()) {
if (begin->second > 0) {
counter++;
} else {
break;
}
begin++;
}
if (counter == keywords_.size()) {
current_state_ = true;
return true;
} else {
current_state_ = false;
return false;
}
}
private:
std::map<std::string, int> keywords_;//存储每个关键字出现的次数
bool current_state_;//指示是否包含关键字
};
std::string GenerateSnippet(const std::string& content, KeyWordChecker* keyword_checker) {
int begin = 0;//摘要起始位置
int end = 0;//摘要结束位置
std::string snippet;//摘要内容
int min_length = content.size();//当前最短长度
while (end < content.size()) {
if (!keyword_checker->IsContainAllKeyWord(std::string(1, content[end])//将该处的字符生成为字符串
, true)) {
end++;
continue;
}
while (begin <= end && keyword_checker->IsContainAllKeyWord(std::string(1, content[begin]), false)) {
begin++;
}
if (end - begin + 1 < min_length) {
snippet = content.substr(begin, end - begin + 1);
min_length = end - begin + 1;
}
end++;
begin++;
}
return snippet;
}
int main(int argc, char** argv) {
std::string content = "abbbbbcaaadebmmmmdcfg";
KeyWordChecker keyword_checker;
keyword_checker.AddKeyWord("b");
keyword_checker.AddKeyWord("d");
std::string snippet = GenerateSnippet(content, &keyword_checker);
printf("snippet:%s\n", snippet.c_str());
}
文章参考以下博文:
http://blog.csdn.net/bertzhang/article/details/7278728