这是一个创建于 922 天前的主题，其中的信息可能已经有所发展或是发生改变。
有上亿的词算词频怎么算比较快，内存跟 cpu 都不是问题的话。现在就是一个大字典，词是 key ，词频是 value 。想用词的长度多加一层散列但感觉也提升不大，这些词的长度基本都在 1-5 之间
 |
1
ipwx 2022-05-14 17:11:39 +08:00
Trie Tree 可能会快一点，但你要用 C++ 来极限优化，不然反而比 hash 更慢。
|
 |
2
Jooooooooo 2022-05-14 17:13:51 +08:00
cpu 不是问题, 分成好多个小文件并发的去算呗.
|
|
3
ipwx 2022-05-14 17:14:05 +08:00  2
比如，如果都是英文字母，不需要区分大小写，那你的符号表就只有 26 个字符。为了速度可以取 32 。
既然长度都在 1~5 之间，那你用三层 Trie tree 就能有效压缩深度。每一层是 1024 个格子，取格子只要位移操作不用乘法。相当于分层快速哈希，而且必然没有冲突了。 |
|
4
ipwx 2022-05-14 17:15:08 +08:00
上述操作必须用指针在那里魔法计算。。。不要用 STL 容器。不然速度还是提不上去
|
 |
6
nulIptr 2022-05-14 17:17:38 +08:00
一个字符 3 字节，一个单词 10 个字符，10 亿字符串也不到 30g 。。。我觉得字典够用
|
 |
7
learningman 2022-05-14 17:18:25 +08:00
中文为啥不能用 trie 树，映射下多开几层
|
 |
8
heqing 2022-05-14 17:23:03 +08:00 1
可以参考一下 kenlm 的实现
|
 |
9
abujj 2022-05-14 17:56:27 +08:00
是 MapReduce 的意思吗 ?
|
 |
12
dji38838c 2022-05-14 18:25:05 +08:00 1
这不是 MapReduce 的第一课吗，赶快学学
|
 |
13
pengtdyd 2022-05-14 18:26:53 +08:00
首先排除 C 以外的其他语言，因为其他垃圾太慢了。其次就是算法和数据结构了，这个嘛，就要看个人发挥了。
|
 |
14
wangyu17455 2022-05-14 20:41:00 +08:00
map reduce
|
 |
15
nuistzhou 2022-05-14 20:47:28 +08:00 via iPhone
Mapper
Reducer 哈哈 |
 |
16
bxb100 2022-05-14 21:33:44 +08:00 via Android
单机 MapReduce 有啥用
|
 |
17
shm7 2022-05-14 21:35:58 +08:00 1
GB2312 中文字就六七千个，怎么搞成上亿的词典？ NLP 里面语言模型一般也就几万字，还包括很多重复的呢。
如果就是这几千字组成的词语 /短语也算入词典的话，用沙发的方法是不是有帮助？ |
 |
18
ToBeHacker 2022-05-15 03:33:15 +08:00
大部分都是重复的，其实字典就可以了
|
 |
19
Buges 2022-05-15 07:36:17 +08:00 via Android
@pengtdyd 这是什么爆论，先且不说 C/Cpp/zig/Rust 等一票原生语言本身没有额外开销，性能完全取决于具体代码。C 语言在性能方面也是具有一些劣势的：
1. 糟糕的标准库和依赖管理，很多 real world application 由于开发者为省事选择简单而非最优化的算法与实现导致性能损失。而像 Rust 这样提供方便的依赖管理，成熟且经过深度优化（复杂算法、simd 等）的库被广泛使用。 2. 手动资源管理外加宽松约束，导致的心智负担使程序员倾向于防御性编程和不必要的复制，外加理论上对编译器优化的限制。 3. 极大规模和复杂度的应用中 Java 等具有 JIT 的语言性能吞吐量等表现要好于 AOT 语言。（并且复杂度庞大的应用根本不可能由低级语言编写） 4. 开发成本过高。比如绝大多数 C 编写的网络服务并发性能肯定是不如 go 的，因为后者自带，前者除了 nginx 这种谁会去费劲优化。 |
 |
20
pluvet 2022-05-15 19:08:26 +08:00
直接用语言自带的哈希表就够了
|
Select Language