使用java 8在文件中使用两个单词的概率分布

Question

我需要包含两个单词的行数.为此,我编写了以下代码:输入文件包含1000 lines和关于4,000 words,大约需要4个小时.是否有一个库Java可以更快地完成它？我可以使用Appache Lucene或实现此代码Stanford Core NLP以减少运行时间吗？

ArrayList<String> reviews = new ArrayList<String>();
ArrayList<String> terms = new ArrayList<String>();
Map<String,Double> pij = new HashMap<String,Double>();

BufferedReader br = null;
FileReader fr = null;
try 
    {
        fr = new FileReader("src/reviews-preprocessing.txt");
            br = new BufferedReader(fr);
            String line;
            while ((line= br.readLine()) != null) 
            {
            for(String term : line.split(" "))
                {
                    if(!terms.contains(term))
                        terms.add(term);
                }
                reviews.add(line);
            }
        } 
        catch (IOException e) { e.printStackTrace();} 
        finally 
        {
            try 
            {
                if (br != null)
                    br.close();
                if (fr != null)
                    fr.close();
            } 
            catch (IOException ex) { ex.printStackTrace();}    
    }
long Count = reviews.size();
for(String term_i : terms)
    {
        for(String term_j : terms)
            {
                if(!term_i.equals(term_j))
                {
                    double p = (double) reviews.parallelStream().filter(s -> s.contains(term_i) && s.contains(term_j)).count();
                    String key = String.format("%s_%s", term_i,term_j);
                    pij.put(key, p/Count);
                }
            }
    }

Answer 1

你的第一个循环得到不同的单词依赖于ArrayList.contains,它具有线性时间复杂度,而不是使用Set.因此,如果我们假设nd个不同的单词,它已经具有" 行数 "× nd的时间复杂度.

然后,您正在创建nd × nd单词组合,并探测所有1,000行是否存在这些组合.换句话说,如果我们只假设100个不同的单词,那么你正在执行1,000×100 + 100×100×1,000 = 10,100,000个操作,如果我们假设500个不同的单词,我们已经讨论了250,500,000个单词.

相反,您应该只创建实际存在于一行中的组合并将它们收集到地图中.这将仅处理实际存在的那些组合,并且您可以通过仅检查每个"a_b"/"b_a"组合中的任一个来改进这一点,因为两者的概率相同.然后,您只执行" 行数 "×" 每行字数 "×" 每行字数 "操作,换句话说,在您的情况下执行大约16,000次操作.

以下方法组合了一行的所有单词,只保留了一个"a_b"/"b_a"组合,并消除了重复,因此每个组合都可以算作一行.

static Stream<String> allCombinations(String line) {
    String[] words = line.split(" ");
    return Arrays.stream(words)
        .flatMap(word1 ->
            Arrays.stream(words)
                  .filter(words2 -> word1.compareTo(words2)<0)
                  .map(word2 -> word1+'_'+word2))
        .distinct();
}

这种方法可以使用

List<String> lines = Files.readAllLines(Paths.get("src/reviews-preprocessing.txt"));
double ratio = 1.0/lines.size();
Map<String, Double> pij = lines.stream()
        .flatMap(line -> allCombinations(line))
        .collect(Collectors.groupingBy(Function.identity(),
                                       Collectors.summingDouble(x->ratio)));

它在几秒钟内完成了我的"战争与和平"副本,无需任何尝试进行并行处理.并不奇怪,"and_the"是概率最高的组合.

您可以考虑更改该行

String[] words = line.split(" ");

至

String[] words = line.toLowerCase().split("\\W+");

概括代码以使用不同的输入,处理多个空格或其他标点字符并忽略大小写.