《编程之美》读书笔记24： 3.5 最短摘要的生成

《编程之美》读书笔记24：  3.5 最短摘要的生成

 

当初看这道题时，看了好了几遍都没看懂。后来总算弄明白：给出的字符串是用其它程序分好词的，关键字符串也是用其它程序分好词的，而不是按用户直接输入的字符串。比如书上给的例子：“微软亚洲研究院 使命”，不是按空格分成两个关键词，“微软亚洲研究院”和“使命”，而是按其它程序分成：“微软”、“亚洲”、“研究院”和“使命”四个关键词。

“最短摘要”应该是指：包含所有关键字（关键字不要求按用户输入的顺序排列）的长度最短的摘要。书上的解法，把“最短摘要”理解成包含所有关键字且词个数最少的摘要。

   

弄清了问题，解决起来就很简单：

   1 反复读入字符串，直到碰到关键字（可以用set或unordered_set）。

   2 更新该关键字字符串最近出现的位置。

   3 若已经找到所有的关键字，则根据这些关键字的位置最小/最大值，计算摘要长度。

      可以用set来维护这些位置值。

      （实际上，只要求维护位置的最小值，还可以自行实现一个堆结构，节省空间。）

根据位置值计算长度，需要先计算出分词后的字符串，在未分词的字符串的位置。

   4 记录长度最短的摘要

 

若有m个关键字，待查询字符串有n个，时间复杂度大概为：O(n*log m)

（关键字一般都很短，可以认为对关键字间的比较、哈希时间复杂度为O(1)）

 另外，将关键字映射到数字，减少字符串比较，能进一步提高效率。

 

 

最短摘要

#include<iostream>
#include<vector>
#include<string>
#include<set>

#define USE_CPLUSPLUS0x 1

#if USE_CPLUSPLUS0x
  #include<unordered_map>
#else
  #include<map>
#endif

#include<cassert>

using std::string;
using std::vector;
using std::cout;

/*      //----
#if USE_CPLUSPLUS0x
  struct Cmp{
    bool operator()(const string* a, const string* b) const { return *a == *b; }
  } ;
  
  struct Hash{
    size_t operator()(const string* a) const { return std::hash<string>()(*a);}
  } ; 
  
  typedef std::unordered_map<const string*, size_t, Hash, Cmp> Dict;
#else
  struct Cmp{
    bool operator()(const string* sa, const string * sb) const { return *sa < *sb; }
  } ;

  typedef std::map<const string*, size_t, Cmp> Dict;
#endif 
 */
 
#if USE_CPLUSPLUS0x
  typedef std::unordered_map<string, size_t> Dict;
#else
  typedef std::map<string, size_t> Dict;
#endif


template<typename T>
void output(T beg, T end, const char str[] = "", const char sep[] = "")
{
  cout << str;
  while (beg != end) cout << *beg++ << sep;
  cout << "\n";
}

void solve(const string str[], const size_t str_sz, 
           const string keyword[], const size_t keyword_sz)
{
  if (str_sz == 0 || keyword_sz == 0) return;
  
  Dict key_idx;          //关键字映射为数字，以减少字符串比较            
  for (size_t i = 0; i < keyword_sz; ++i) {
    //key_idx.insert(Dict::value_type(&keyword[i], i)); //----
    key_idx.insert(Dict::value_type(keyword[i], i)); 
  }
  const size_t Pos_init = -1;
  vector<size_t> prev_pos(keyword_sz, Pos_init); //上次碰到的关键字符串的位置
  std::set<size_t> pos;        //对关键字符串的位置进行升序排列
  
  vector<size_t> old_pos;      //分词后的字符串，在原字符串中的位置 
  old_pos.reserve(str_sz + 1);
  old_pos.push_back(0);
  for (size_t i = 0, sum = 0; i < str_sz; ++i) {
    sum += str[i].size();
    old_pos.push_back(sum);
  }
   
  size_t beg = 0, end = 0, len = -1, count = 0;  //记录结果
  for (size_t i = 0; i < str_sz; ++i) {
    //Dict::iterator it = key_idx.find(&str[i]); //----
    Dict::iterator it = key_idx.find(str[i]);

    if (it == key_idx.end()) continue;
    
    assert(it->second < prev_pos.size());
    size_t& last_pos = prev_pos[it->second];
    if (last_pos != Pos_init)  pos.erase(last_pos); //更新前要先删除旧的
    else ++count;  //已匹配关键字 数加1
    last_pos = i;
    
    pos.insert(pos.end(), i); 
    
    assert(count <= keyword_sz);
    if (count == keyword_sz) {     //包含所有关键字
      size_t pbeg = *pos.begin();
      //std::set<size_t>::iterator it = pos.end();
      //size_t pend = *--it + 1;
      size_t pend = i + 1;
      
      assert(pbeg < old_pos.size());
      assert(pend < old_pos.size());
     
      size_t plen =  old_pos[pend] - old_pos[pbeg];
      if (plen < len) {
        len = plen;
        beg = pbeg;
        end = pend;
      }
    }
  }
  
  output(&str[0], &str[str_sz], "words:    ");
  output(&keyword[0], &keyword[keyword_sz], "keywords: ", " ");
  
  if (beg == end && !pos.empty()) {      //没找到所有关键字
    cout << "(" << pos.size() << "/" << keyword_sz << " Matched) ";
    beg = *pos.begin();
    std::set<size_t>::iterator it = pos.end();
    end = *--it + 1;
  }
  output(&str[beg], &str[end], "result:   ");
  cout << "\n";
}


template<typename T, size_t sz> 
inline size_t getsz(T (&)[sz]) { return sz; }

int main()
{
  string keyword[] = { "微软", "计算机", "亚洲", "中国"};
  string str[] = { 
    "微软","亚洲","研究院","成立","于","1998","年","，","我们","的","使命",
    "是","使","未来","的","计算机","能够","看","、","听","、","学","，",
    "能","用","自然语言","与","人类","进行","交流","。","在","此","基础","上",
    "，","微软","亚洲","研究院","还","将","促进","计算机","在","亚太","地区",
    "的","普及","，","改善","亚太","用户","的","计算","体验","。","”"
  };

  solve(str, getsz(str), keyword, getsz(keyword));   
}