c# - 并行计算文档中的单词

Question

你知道如何让这个循环更快吗？它计算每个单词在文档中出现的频率。

_documentVectorSpace 是一个对象列表，其中包含有关文档的各种信息。

_documentVectorSpace[i].Terms 是文档中的单词数组。

_distinctTerms 是所有文档中包含的所有唯一词的 HashSet。

Parallel.For(0, _documentVectorSpace.Count, i =>
{
    int count = 0;
    double[] vec = new double[_distinctTerms.Count];
    foreach (string term in _distinctTerms)
    {
        vec[count++] = Weight(_documentVectorSpace[i].Terms, term);
    }
    _documentVectorSpace[i].VectorSpace = vec;
 });

其中权重定义为：

private float Weight(string[] document, string term)
{
    return document.Where(s => s == term).Count();
}

Answer 1

为每个单词扫描一次文档_distinctTerms非常昂贵，并且您没有充分利用 HashSet 查找的功能。您应该做的是扫描文档一次，识别 中的每个单词_distinctTerms，然后更新向量。类似于：（未经测试的代码）

Parallel.For(0, _documentVectorSpace.Count, i =>
{
    int count = 0;
    double[] vec = new double[_distinctTerms.Count];
    Parallel.ForEach(_documentVectorSpace[i].Terms, term =>
    {
        if (_distinctTerms.ContainsKey(term))
        {
            Interlocked.Increment(ref vec[_distinctTerms[term]]);
        }
    });
    _documentVectorSpace[i].VectorSpace = vec;
 });

当然，现在_distinctTerm应该是一个将术语映射到索引的字典。

Answer 2

您正在枚举您的_documentVectorSpace[i].Termsfor each term。您应该反转循环，以便_documentVectorSpace[i].Terms从_distinctTerms.

此外，从这个例子中很难看出你的一代有多高效_documentVectorSpace。很有可能，虽然它运行得很快，但它正在跳过需要此功能执行的大量工作。