Java 如何找到事件的重复序列

我试图找到一种有效的算法来识别重复出现的字符序列。假设序列可以是至少3个字符，但只返回最大长度的序列。数据集可能包含数千个字符。另外，我只想知道序列是否重复，比如说，重复3次

例如： 阿舍克谢德谢克

“SHEK”出现3次，将被识别。“SHE”出现4次，但未被识别，因为“SHEK”是包含该序列的最大长度序列

此外，没有“种子”序列被提供给算法，它必须自主地找到它们

提前感谢,，

---

J

看起来像Rabin Karp

< P>如果你认为存在和（n）/ 2个可能的起始字符串，而不是简单地寻找一个匹配，但是最匹配的子串，如果算法是正确和完整的，我认为你的算法将有一个可怕的理论复杂性。 但是，您可能会通过使用。算法如下所示：

对于字符串中的每个偏移量。。。 每个长度的子字符串1。。。

将其插入trie中。trie中的每个节点都有一个数据值（“计数”整数），您可以在访问该节点时按该值递增

一旦您建立了trie以对数据建模，请从trie中删除根低于某个优化阈值（在您的情况下为3）的所有子树

剩下的路径应该足够少，以便有效地排序和选择所需的路径

我建议将此作为一个起点，因为Trie是为处理公共前缀而构建的，并且作为一个副作用，它将压缩您的数据集

我个人的选择是，在确定我想要的子字符串之后，作为一个单独的过程来确定子字符串的位置。否则，您将存储每个子字符串位置，这将爆炸您的内存。你的计算已经相当复杂了

---

希望这有点道理！祝你好运

尝试为字符串创建后缀数组

联机生成器：

---

检查后缀数组中连续行的开头以匹配

考虑以下算法，其中：

str

是事件字符串

T（i）

是子字符串

str（0..i）

的

T（i+1）

可从

T（i）

快速获取，例如使用

对于输入字符串

str

中的每个字符位置

i

，遍历 从

T（i）

根开始沿边缘的路径，标记为 输入的连续字符，从位置

i+1开始

此路径确定重复字符串。如果路径长于
在以前找到的路径中，记录新的最大长度和位置
i+1

使用
str[i+1]
更新后缀树，并在下一个位置重复此操作

类似这样的伪代码：

max.len = 0
max.off = -1
T = update_suffix_tree (nil, str [0])
for i = 1 to len (str)
  r = root (T)
  j = i + 1
  while j < len (str) and r.child (str [j]) != nil
    r = r.child (str [j])
    ++j

  if j - i - 1 > max.len
     max.len = j - i - 1
     max.off = i + 1

  T = update_suffix_tree (T, str [i+1])

max.len=0
最大关闭=-1
T=更新后缀树（nil，str[0]）
对于i=1到len（str）
r=根（T）
j=i+1
而jmax.len
最大长度=j-i-1
最大关闭=i+1
T=更新后缀树（T，str[i+1]）

在
k
th迭代中，内部
while
最多执行
n次-
k
迭代，后缀树结构是
O（k）
，因此
循环体的复杂度为
O（n）
，执行次数为
n-1次，
因此，整个算法的复杂性是<>代码> o（n^ 2） .< /P>，不是我的答案本身，但我可以建议你看看Sigg并把你的内环工作编译成C++吗？我以前在NLP／机器学习上工作过，IF-I CU-DO-IT-OUT，我将核心算法放在C++中，并把它们链接到我的计算服务器/Hadoop集群的JVM。不过只是一个想法。。。