第一次个人编程作业

这个作业属于哪个课程	https://edu.cnblogs.com/campus/gdgy/SoftwareEngineering2024/
这个作业要求在哪里	https://edu.cnblogs.com/campus/gdgy/SoftwareEngineering2024/homework/13136
这个作业的目标	熟悉个人软件开发流程、熟悉各类工具的使用，学会用工具评估程序质量并优化程序

github链接：https://github.com/w0coder/3122004625

设计与实现：

程序总共分为两个部分，读取数据和计算相似度。本次采用的是基于词频统计的余弦相似度的算法，所用语言为C++。
这两个部分可以分出来3个函数：
读取文件的函数、统计词频的函数、计算余弦相似度的函数。
读取文件的函数直接用cpp的文件读写流读取。
统计词频则需要维护一个哈希表，其中以词为键，出现的次数为值，中文的词并不容易区分，所有直接计算每个字的个数，而英文的词则可以简单的用相连的字母粗略的表示一个词。
计算余弦相似度则利词字频统计函数得出的两张哈希表进行计算，遍历两张哈希表，更具所组成的词频向量，计算它们的点积。

性能改进：

从下图可以看出，性能主要消耗在词频统计时哈希表的维护，其中主要是哈希表的插入和查找消耗大。
而基于词频的算法本身就需要遍历所有的字词，统计时必然开销较大，暂时没想到优化方法。

开销最大的函数：

单元测试展示：

计算部分的测试：
通过两个字符串，模拟文本输入的信息，选择不同的字符串进行统计词频和计算相似度的操作。
用例构造：测试边缘的计算-最左边最右边为特殊符号或中文或英文或数字的字符串；同样的词顺序调换，测试结果是否和理论符合；部分删减的测试；部分字词（不包括英文符号）替换的测试；(测试用例在该函数前的注释中)

样例测试结果：

综合测试直接在cmd中输入参数，依据 exe文件绝对路径 原文文件绝对路径 其他文件绝对路径 输出文件绝对路径 的格式输入相关参数。
部分参数取自保存到TestTxt\MyTxt文件中的文本文件，该文件夹中的文件是从B站同一up主的不同图文中复制粘贴的，其中测试了同一片文章自己比较，不同文章一一比较的结果，并写入了同文件夹中的ans.txt文件中，相似度如下：

部分参数取自保存到TestTxt\MyTxt_01文件中的文本文件，该文件夹中的文本随机取自B站上的图文，输出结果在同目录的ans.txt文件中，相似度如下：

异常处理说明：

当输入的文件绝对路径不正确时，报错并结束程序。
计算余弦相似度时，向量的模的平方过大时可能会溢出，计算时采用double，溢出后并未处理。
文件过大，字数过多时，未处理。
文件编码格式不兼容时，未处理。

附录：

PSP2.1	Personal Software Process Stages	预估耗时（分钟）	实际耗时（分钟）
Planning	计划	40	60
· Estimate	· 估计这个任务需要多少时间	40	60
Development	开发	990	705
· Analysis	· 需求分析 (包括学习新技术)	240	180
· Design Spec	· 生成设计文档	60	40
· Design Review	· 设计复审	30	20
· Coding Standard	· 代码规范 (为目前的开发制定合适的规范)	30	15
· Design	· 具体设计	90	60
· Coding	· 具体编码	240	270
· Code Review	· 代码复审	60	30
· Test	· 测试（自我测试，修改代码，提交修改）	120	90
Reporting	报告	150	130
· Test Repor	· 测试报告	60	70
· Size Measurement	· 计算工作量	45	30
· Postmortem & Process Improvement Plan	· 事后总结, 并提出过程改进计划	45	30
	· 合计	1060	895