技术头条 - 一个快速在微博传播文章的方式     搜索本站
您现在的位置首页 --> 算法 --> 新浪微博笔试题:找出共有2个以上标签的用户对

新浪微博笔试题:找出共有2个以上标签的用户对

浏览:4970次  出处信息

题目:给定sina微博的全部用户(1亿以上)和标签(uniq的标签30万左右)的关系, 系统找出共有2个或以上标签的用户对,并给出这些标签是哪些。

  • input:userid,taglist

  • output:userid,userid,con-taglist (sizeof(con_taglist)>=2)

  • 数据示例

       输入

  • AA,体育 新闻清华 百年校庆
  • BB,娱乐 八卦清华 新闻
  • CC,体育 娱乐新闻
  • DD,八卦 新闻娱乐
  •    输出

  • AA,BB 清华 新闻
  • AA,CC 体育 新闻
  • BB,CC 娱乐 新闻
  • BB,DD 娱乐 八卦 新闻
  • CC,DD 娱乐 新闻
  • 接下来就一起来想办法解决上面的难题。基于对于新浪微博的了解,以下内容可能会在实现中起到一些作用:

  • 目前新浪微博每个用户最多可设置标签10个;
  • 目前有相当数量的用户是没有设置标签的。
  •    解决问题思路:(自己整理的笨办法,自己能力有限暂时想不到更好的方案)

  • 删除没有标签的用户数据,这一操作可以先把一部分不需要纳入分析的数据给排除掉。具体数量未知。

  • 建立标签到用户的倒排索引。从以上数据上来看,平均每个标签用户对应的用户ID链要小于10^8*10/30^4 = 3000,但同时要考虑热门标签的ID数量会非常的大。

  • 去除倒排索引后只有一个用户数的标签,这个估计可以去除的量很少。

  • 对于删除后没有标签的数据按ID大小进行排序。

  • 对于用户依次取其标签,查找倒排索引,找到共有用户。(只查找倒排索引中比用户ID比自己大的用户)

  •    基于以上的想法,考虑的新浪微博应该采用了 NOSQL存储,我们先假定具体数据格式如下:

  • {“userid”:123,”taglist”:[“体育”,”新闻”,”清华”,”百年校庆”]}

  • {“userid”:124,”taglist”:[“娱乐”,”新闻”,”清华”,”八卦”]}

  • {“userid”:125,”taglist”:[“娱乐”,”新闻”,”体育”]}

  • {“userid”:126,”taglist”:[“娱乐”,”新闻”,”八卦”]}

  •    就上面的一些数据我尝试了下将上面的数据进行倒排索引。具体的Python实现方法(代码写的比较丑,对于python怎么使用MapReduce):

    # -*- coding: utf-8 -*-
    tagDB = open('tag.txt','r')
    list = [s.strip() for s in tagDB.readlines()]
    result={}
    for i in list:
        data = eval(i)
        userid = data['userid']
        taglist = data['taglist']
        for tag in taglist:
            if result.has_key(tag):
                result[tag].append(userid)
            else:
                result[tag] = [userid]
    print result
    tagDB.close()

       如果你有更好的解决方案,欢迎分享~

建议继续学习:

  1. 腾讯-1亿个数据取前1万大的整数-题解答    (阅读:9042)
  2. 谷歌(Google)2011年校园招聘笔试题    (阅读:8912)
  3. 你是那10%可以实现二分查找算法的程序员吗?    (阅读:6508)
  4. 15道使用频率极高的基础算法题    (阅读:5616)
  5. 有道实习生笔试总结    (阅读:4542)
  6. 2014网易前端开发笔试题笔记    (阅读:3948)
  7. 《百姓网公开笔试题:查询条件的子集判断》的一份 PHP 答卷    (阅读:2738)
  8. 百姓网公开笔试题:查询条件的子集判断    (阅读:2573)
  9. 百姓网公开笔试题结果展示    (阅读:2313)
QQ技术交流群:445447336,欢迎加入!
扫一扫订阅我的微信号:IT技术博客大学习
© 2009 - 2024 by blogread.cn 微博:@IT技术博客大学习

京ICP备15002552号-1