将一个输入文件与给定数量的文件匹配的算法答案

【问题标题】：Algorithm to match one input file with given numbers of file将一个输入文件与给定数量的文件匹配的算法
【发布时间】：2013-03-27 01:09:16
【问题描述】：

上周我接受了一次采访。我被困在算法回合中的一个问题中。我回答了这个问题，但面试官似乎并不相信。这就是我分享相同内容的原因。

请告诉我这个问题的优化方法，以便在以后的面试中帮助我。

问题：-

给出了 20 个文本文件，所有文件都是 ASCII 文本文件，有大小小于 10^9 字节。还给出了一个输入，这是还有一个 ASCII 文件，比如 input.txt。

我们的任务是策略性地将这个输入文件的内容与给定 20 个文件，并打印最接近的匹配文件的名称。这输入文件的内容可能仅部分匹配

提前致谢。期待您的友好回复。

【问题讨论】：

这个表格真的没法回答。这些文件是真实文本，还是任何可打印的 ASCII、基本 ASCII 或扩展 ASCII？结果必须是最佳匹配，还是近似值就足够了？
我相信有一个用于这个特定目的的系统工具。 cmp我相信是被命名的。符合 POSIX 标准的 SO。
@Kira 有些事情告诉我这不是面试官所希望的！
@JBentley 哈哈，只是说 XD，有时重新发明可用工具并不明智。
@Kira 除了cmp 做了一些完全不同的事情。

标签： c++ c string algorithm string-matching

【解决方案1】：

作为设计真正功能强大、可扩展的文档相似性系统的建议，我建议阅读Mining Massive Datasets 的第 3 章，该文档可在线免费获得。那里提出的一种方法是通过将字数向量化为集合来“拼凑”数据集，然后对这些字数进行散列处理，并将散列结果族与 Jaccard 相似度进行比较，以获得所有文档之间的分数。如果操作正确，这可以以高精度处理数 PB 的文件。可以从斯坦福的CS246 Slides on Locality Sensitive Hashing 中阅读带有良好图表的明确细节。书中还介绍了更简单的方法，例如词频计数。

【讨论】：

【解决方案2】：

您可以创建某种索引（例如：trie）来汇总输入文件。然后您可以检查有多少索引在文档中匹配。

例如。为长度为 10 的输入文件创建一个 trie。对于文本文件中每个长度为 10（重叠）的字符串，检查其中有多少匹配在 trie 中。

【讨论】：

文件很大，使用trie效率低，使用B+tree会更好。

【解决方案3】：

区分它们并通过 wc -l，或在 C++ 中实现 Levenshtein distance，将每一行视为单个字符（或考虑主题域的任何更合适的单元）

【讨论】：

+1，非常好的答案，但是，使用编辑距离算法有点难以实现（在我看来）。
@anonymous：在没有建设性 cmets 的情况下投反对票 - 不好