我上周接受了面试。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任何优化方法，以便在以后的采访中帮助我。
问题：-
给出了 20 个文本文件，所有文件都是 ASCII 文本文件，大小小于 10^9 字节。还给出了一个输入，这也是一个 ASCII 文件，例如 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的 20 个文件进行匹配，并打印最接近的匹配文件的名称。输入文件的内容可能仅部分匹配
提前致谢。寻找您的友好答复。
区分它们并通过 wc -l，或在 C++ 中实现Levenshtein 距离，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）
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 的字符串（重叠），检查其中有多少在 trie 中匹配。
作为为文档相似性设计真正功能强大、可扩展的系统的建议，我建议阅读《挖掘海量数据集》的第 3 章，该书可在线免费获得。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。书中还描述了更简单的方法，如词频计数。