这是一个创建于 2193 天前的主题，其中的信息可能已经有所发展或是发生改变。
场景：
先把实际情况说一下，数据量在 9000w 行，每行都是“一个字符串+一个种类”，字符串长度平均在 1000 位左右
1.字符串类似'abcdefg','aabbcc','aabcc'，没有实际英语含义。
2.每个字符串都有一个种类， 'dog','cat,'car', 一共 10 种种类。
3.显然数据集的大小是 9000w 行 × 2 列 的 dataframe
目标：
1.想观察出同一个种类的字符串有没有共性，由于字符串没有实际的英语含义，所以我的初步想法是通过最长字串的匹配情况来计算相似度，总结出每个种类下字符串的规则。当新的字符串出现时，我能够通过之前的规则来分类。
期望：
1.不管是算法层面的，机器学习，深度学习，还是 es 这样引擎方面的，希望能和大家讨论讨论可行的方案
2.子串的复杂度有点高...还没有好的思路，想了很久，自闭了。
3.如果我没有表述清楚问题，请指出
 |
1
akira 2018-11-27 19:41:39 +08:00
如果字符串是摘要算法产生的，那就有难度了....
|
 |
2
shylockhg 2018-11-27 20:54:40 +08:00
字符串 hash 画分布图
|
|
3
shylockhg 2018-11-27 21:06:08 +08:00
映射到向量空间算距离
|
 |
4
pwrliang 2018-11-27 21:32:05 +08:00
AC 自动机不就是解决多个串找字串的吗
|
 |
5
111qqz 2018-11-27 21:34:22 +08:00
目标部分没有看懂，按照题目来说，我理解的是，有一个字符串集合 S，然后求 S 中所有字符串的（最长）公共子串？
|
 |
7
leriou 2018-11-27 22:15:56 +08:00
还是用空间向量计算相似度吧
|
 |
8
ytterbium 2018-11-27 22:15:58 +08:00 via Android
先用最裸的 lstm 做下分类，要是分类正确率还是随机水平那就说明类别与字串无关
|
 |
12
xiyiailoli 2018-11-27 22:47:46 +08:00 via Android
kmp ？
|
 |
13
ccpp132 2018-11-28 05:59:16 +08:00 via Android
先找一个较短的字符串，把它所有子串弄出来。然后拿这些串对剩下的字符串做多模匹配，统计每个子串出现的次数看是否等于总字符串数目
|
 |
15
lihanfeifan 2018-11-28 12:11:13 +08:00
有没有试过前缀树？
|
Select Language