精确搜索文稿.pptVIP

精确搜索 邹权 博士、助理教授 介绍 数据挖掘 数据搜索 （与数据库相关） 数据分析 （与机器学习相关） 举例 给定一段DNA序列，找出特定的基因 在互联网中，找出与“刘德华、朱丽倩婚姻相关”的网页 精确搜索 最简单、也是最难的问题 字符串精确匹配（Exact String Matching）问题可以描述如下：给定一个长字符串T和一个短字符串P，其中它们的长度分别是|T|=m, |P|=n，利用最理想的时间和空间找出全部的T中与P完全匹配的子串。 习惯的表示方法：字符串T/P中的第i个字符用T(i)来表示。 精确搜索 Z-box算法 BMP算法 AC算法 Z-Box算法 [定义]Zi(S)表示在字符串S中从第i位起与S的前缀匹配的最长的字符串的长度。（数值） 注：如果S在上下文中很明显，Zi(S)可以用Zi来表示。 例：S=a a b c a a b x a a z 那么 1 2 3 4 5 6 7 8 Z5(S)=3； Z6=1；Z7= Z8=0 Z-box：其中每个与前缀匹配的子串就叫一个Z-box。对于任意数字i，如果S（i）属于某一个Z-box，则定义Li表示该Z-box的最左端的位置，Ri表示该Z-box的最右端的位置。 例：在上例中L6=5 R6=7 性质：if ij,then Ri=Rj （画图、反证可得） [任务] 在线性时间内（O|S|）计算S的所有Zi [思想] Z2正常计算，然后归纳计算Zk，可以减少比较的次数 [思想]令S=P$T,其中$是特殊字符，在S和T中都不存在。利用Z算法计算Zi(S)。 [方案]对于任意j，如果Zn+1+j(S)=n,则P出现在T(j)处。 [加强]因为$的设定，对于任意i都有Zin,即k`总落在P内，所以当kn时（即在T中）Zk值不用计算，只需要维持（maintain）R和L的值。 KMP算法 [名称] Knuth-Morris-Pratt算法 高德纳（1938年1月10日），出生于密尔沃基，美国著名计算机科学家，斯坦福大学计算机系荣誉退休教授。高德纳教授被誉为现代计算机科学的鼻祖，在计算机科学及数学领域发表了多部具广泛影响的论文和著作。 高德纳最为人知的事迹是，他是《计算机程序设计艺术》的作者。此书是计算机科学界最受高度敬重的参考书籍之一。他创造了算法分析的领域，在数个理论计算机科学的分支做出初步贡献，此外还是排版软件TEX的发明人。 “高德纳”这个中文名字是1977年他访问中国之前所取的，命名者是储枫（姚期智的夫人，夫妇都是计算机科学家）。 [特点]从左向右移动，从左向右比较 传统的模式匹配算法缺点 如何避免冗余匹配？ 冗余匹配的判断 上一次匹配得到的匹配信息 模式串自身的信息 [定义]对于P中的每个位置i, spi(P)为P[1...i]中最长后缀的长度，该后缀与P的一个前缀匹配[数值] [注]对于任意串sp1=0 [例] 1 2 3 4 5 6 7 8 9 0 1 P= a b c a e a b c a b d sp2=sp3=0; sp4=1; sp8=3; sp10=2 [定义]对于P中的每个位置i ,spi`(P)为P[1...i]中最长后缀的长度，该后缀与P的一个前缀匹配,并且P(i+1)≠P(sp`i+1) [例]上例中sp`8=0, sp`9=4 [转移规则] 对于P和T，如果P(i+1)≠T(k)，则将P[1…sp`i]移到T[k- sp`i...k-1]下面，也就是将P向右移了i- sp`i步，然后比较P(sp`i+1)和T(k)；如果发现了一个P在T中，将P向右移动n-sp`n步 [优点]移动之后，前sp`个字符不用再比较了，直接比较P(sp`i+1)和T(k)就可以了 [定理]在Knuth-Morris-Pratt算法中，字符比较的次数最多是2m KMP算法思想 KMP算法示例 KMP算法示例 KMP算法示例 KMP算法示例 KMP算法示例 KMP算法示例 [real-time]对于T的任意位置，如果第一次检测它，也就是最后一次检测它（就是说对每一位最多只比较一次），则说它是real-time. [意义]1. 对于一个小内存机器，在下一个字符读入之前，要保证上一个字符已经处理完毕。 2. 在确定的实例中，real-time方法应该运行的更快一些。 Knuth-Morris-Pratt算法不是real-time的。因为对于不匹配的位置，还至少要再比较一次。 如何 把Knuth-Morris-Pratt算法转变成一个real-time方法？ [定义]x是字母表中的一个字符，sp`(i,x)(P)=sp`i(P)并且P(sp