Algorithm 在庞大的列表中查找流行关键字

我有一个巨大的列表，大约有10万行，如下所示：

• ipadnews
• 阿布西帕德
• cddeeffipad
• 地狱世界
• 我知道这个 .. 等等

如果想要找到流行的子字符串，那么“ipad”将是最流行的，而“world”将排在第二位。最小长度应为三个或四个字符

---

我无法预测子字符串，所以使用字典是不行的。

这是一个相对复杂的问题。。。但是使用前缀/后缀树是可以处理的。它本质上是一个变化的和问题这就是我要开始的地方

---

实际上，这个表单上有很多问题-您应该能够使用上面的术语来缩小搜索范围。

这是一个相对复杂的问题。。。但是使用前缀/后缀树是可以处理的。它本质上是一个变化的和问题这就是我要开始的地方

---

这个表单上实际上有很多问题-你应该能够使用上面的术语来缩小搜索范围。

你可以使用一个可以在

O（n）

时间内构建的。这实际上是一个游戏。

您可以使用内置的

O（n）

时间解决此问题。这实际上是一个游戏。

我将使用以下逻辑流程来解决这个问题：

提取每个单词的后缀集。所以从“ipadnews”我们可以得到：“ipadnews”，“padnews”，“adnews”，等等。这样，“新闻”将成为后缀之一，而不是“ipad”

为了弥补上述步骤中缺少的子字符串，还需要提取前缀。我们有“ipadnew”、“ipadne”等等，包括“ipad”

对于上面的每个子字符串，将它们按计数进行散列，例如$hash{$substr}++

最后，我们将有一个以单词频率为值的长哈希表。假设您只需要10个最流行的单词，而不是昂贵的排序。从一开始就保留一个集合，其标准是其中的任何单词的分数必须大于当前的最小分数。您可以跟踪具有最小分数的单词，当添加分数大于最小分数的第11项时，使用最小分数删除该单词并更新最小分数指针

---

哈希表中的最大键数为2*k*n，其中k是单词的平均长度，n是单词的总数。

我将使用以下逻辑流来解决此问题：

提取每个单词的后缀集。所以从“ipadnews”我们可以得到：“ipadnews”，“padnews”，“adnews”，等等。这样，“新闻”将成为后缀之一，而不是“ipad”

为了弥补上述步骤中缺少的子字符串，还需要提取前缀。我们有“ipadnew”、“ipadne”等等，包括“ipad”

对于上面的每个子字符串，将它们按计数进行散列，例如$hash{$substr}++

最后，我们将有一个以单词频率为值的长哈希表。假设您只需要10个最流行的单词，而不是昂贵的排序。从一开始就保留一个集合，其标准是其中的任何单词的分数必须大于当前的最小分数。您可以跟踪具有最小分数的单词，当添加分数大于最小分数的第11项时，使用最小分数删除该单词并更新最小分数指针

---

哈希表中的最大键数为2*k*n，其中k是单词的平均长度，n是单词的总数。

子字符串本身不是“关键字”。那么关键字是什么？在列表中找到单词的任何子字符串？听起来确实是这样。。。这真是太复杂了算法怎么知道“world”是一个可以接受的关键字，但现在是“worl”还是“orld”？@Wooble，@Playcat:说得好！应该是子字符串而不是关键字。Thanks@Axn：在匹配常用子字符串之前，您不知道子字符串本身不是“关键字”。那么关键字是什么？在列表中找到单词的任何子字符串？听起来确实是这样。。。这真是太复杂了算法怎么知道“world”是一个可以接受的关键字，但现在是“worl”还是“orld”？@Wooble，@Playcat:说得好！应该是子字符串而不是关键字。Thanks@Axn：在对流行子字符串进行匹配之前，您不会知道这在“iworldthis”中找不到“world”，OP似乎期待着这样的结果。可能需要从后缀集的每个元素中提取前缀集？这在“iworldthis”中找不到“world”，而OP似乎期望这样。可能需要从后缀集的每个元素中提取前缀集？