0

我正在尝试创建一个倒排索引。我正在阅读文本文件的行，文本文件在每行的第一个位置有一个文档的 id，docId该行的其余部分有关于这个文档的关键字。为了创建倒排索引，我首先要标记这个文本文件。我用我写的一个函数来做这件事，我把每个单词都存储在一个向量中。我唯一的抱怨是我还将 存储docId为向量中的字符串。如果需要，这是 tokenize 函数的标头：

void tokenize(string& s, char c, vector<string>& v)

现在在对文件进行标记后，我必须创建一个将每个单词放入地图的函数，我正在考虑使用无序地图，在地图中每个单词都会出现一次。我还必须以某种方式将单词的频率存储在某处。我认为docId在地图中使用作为键是个好主意，但后来我意识到我只能有一个docId可以显示单词的键，而在我的文本文件中 adocId有多个单词。

那么，我将如何解决这个问题呢？我应该从哪里开始？

4

1 回答 1

1

什么乱七八糟的问题。打破它，如果我理解正确，你有：

doc1 word1a word1b word1c word1d
doc2 word2a word2b word2c
...

您需要从单词到文档的映射，反之亦然。从您的问题中很难判断您所说的“频率”一词是否反映了同一个词是多个文档的关键字，或者您对文件格式的描述是否未能在每个文件中包含所需的重复次数。假设前者：

if (std::ifstream f(filename))
{
    std::map<std::string, std::vector<string>> words_in_doc;
    std::map<std::string, std::vector<string>> docs_containing_word;
    std::string line;
    while (getline(f, line))
    {
        std::istringstream iss(line);
        std::string docid, word;
        if (line >> docid)
            while (line >> word)
            {
                words_in_doc[docid].push_back(word);
                docs_containing_word[word].push_back(docid);
            }
    }
    // do whatever with your data/indices...
}
else
    std::cerr << "unable to open input file\n";
于 2015-02-19T16:57:50.117 回答