Algorithm 含有无用词的文档检索

我正在构建一个数据结构，帮助索引总长度为n的S文档集合，这样它就支持以下查询：给定两个单词P1和P2，count包含P1但不包含P2的所有文档。我希望答案是完整的（不要错过结果）

我已经构建了一个通用后缀树，并选择每个sqrt（n）-th叶及其祖先（并删除每个子节点）。对于每个内部节点v，我预先计算针对节点u的查询的答案

但是，如果查询包含出现在节点v和u的树中的单词，我可以在O（1）中得到答案，但是如果单词不在我们选择的节点中，我该怎么办

我可以通过保留一个带有预处理的O（n2）数据结构并准备好所有可能的答案供O（1）次检索来轻松实现，但目标是在O（n）空间中构建此数据结构，并使查询尽可能高效。

听起来a对您仍然有用。这是一个单词映射到包含它们的有序文档列表上。文档需要有一个通用的、总的顺序，它们在每个单词存储桶中的显示顺序就是这样的

假设你的

n

是语料库中单词出现的总长度（而不是词汇量），它可以在

O（n logn）

时间和线性空间中构建

给定

P1

和

P2

，您可以进行两个单独的查询，以分别获取包含这两个术语的文档。由于这两个列表共享一个公共顺序，您可以执行类似线性合并的算法，只选择包含

P1

但不包含

P2

的文档：

c1 <- cursor to first element of list of docs containing P1
c2 <- cursor to first element of list of docs containing P2
results <- [] # our return value

while c1 not exhausted
  if c2 exhausted or *c1 < *c2
    results.append(c1++)
  else if *c1 == *c2
    c1++
    c2++
  else # *c1 > *c2
    c2++

return results

c1