[알고리즘] 뉴스 클러스터링

문제 설명

여러 언론사에서 쏟아지는 뉴스, 특히 속보성 뉴스를 보면 비슷비슷한 제목의 기사가 많아 정작 필요한 기사를 찾기가 어렵다. Daum 뉴스의 개발 업무를 맡게 된 신입사원 튜브는 사용자들이 편리하게 다양한 뉴스를 찾아볼 수 있도록 문제점을 개선하는 업무를 맡게 되었다.

개발의 방향을 잡기 위해 튜브는 우선 최근 화제가 되고 있는 "카카오 신입 개발자 공채" 관련 기사를 검색해보았다.

• 카카오 첫 공채..'블라인드' 방식 채용
• 카카오, 합병 후 첫 공채.. 블라인드 전형으로 개발자 채용
• 카카오, 블라인드 전형으로 신입 개발자 공채
• 카카오 공채, 신입 개발자 코딩 능력만 본다
• 카카오, 신입 공채.. "코딩 실력만 본다"
• 카카오 "코딩 능력만으로 2018 신입 개발자 뽑는다"

기사의 제목을 기준으로 "블라인드 전형"에 주목하는 기사와 "코딩 테스트"에 주목하는 기사로 나뉘는 걸 발견했다. 튜브는 이들을 각각 묶어서 보여주면 카카오 공채 관련 기사를 찾아보는 사용자에게 유용할 듯싶었다.

유사한 기사를 묶는 기준을 정하기 위해서 논문과 자료를 조사하던 튜브는 "자카드 유사도"라는 방법을 찾아냈다.

자카드 유사도는 집합 간의 유사도를 검사하는 여러 방법 중의 하나로 알려져 있다. 두 집합 A, B 사이의 자카드 유사도 J(A, B)는 두 집합의 교집합 크기를 두 집합의 합집합 크기로 나눈 값으로 정의된다.

예를 들어 집합 A = {1, 2, 3}, 집합 B = {2, 3, 4}라고 할 때, 교집합 A ∩ B = {2, 3}, 합집합 A ∪ B = {1, 2, 3, 4}이 되므로, 집합 A, B 사이의 자카드 유사도 J(A, B) = 2/4 = 0.5가 된다. 집합 A와 집합 B가 모두 공집합일 경우에는 나눗셈이 정의되지 않으니 따로 J(A, B) = 1로 정의한다.

자카드 유사도는 원소의 중복을 허용하는 다중집합에 대해서 확장할 수 있다. 다중집합 A는 원소 "1"을 3개 가지고 있고, 다중집합 B는 원소 "1"을 5개 가지고 있다고 하자. 이 다중집합의 교집합 A ∩ B는 원소 "1"을 min(3, 5)인 3개, 합집합 A ∪ B는 원소 "1"을 max(3, 5)인 5개 가지게 된다. 다중집합 A = {1, 1, 2, 2, 3}, 다중집합 B = {1, 2, 2, 4, 5}라고 하면, 교집합 A ∩ B = {1, 2, 2}, 합집합 A ∪ B = {1, 1, 2, 2, 3, 4, 5}가 되므로, 자카드 유사도 J(A, B) = 3/7, 약 0.42가 된다.

이를 이용하여 문자열 사이의 유사도를 계산하는데 이용할 수 있다. 문자열 "FRANCE"와 "FRENCH"가 주어졌을 때, 이를 두 글자씩 끊어서 다중집합을 만들 수 있다. 각각 {FR, RA, AN, NC, CE}, {FR, RE, EN, NC, CH}가 되며, 교집합은 {FR, NC}, 합집합은 {FR, RA, AN, NC, CE, RE, EN, CH}가 되므로, 두 문자열 사이의 자카드 유사도 J("FRANCE", "FRENCH") = 2/8 = 0.25가 된다.

입력 형식

• 입력으로는 str1과 str2의 두 문자열이 들어온다. 각 문자열의 길이는 2 이상, 1,000 이하이다.
• 입력으로 들어온 문자열은 두 글자씩 끊어서 다중집합의 원소로 만든다. 이때 영문자로 된 글자 쌍만 유효하고, 기타 공백이나 숫자, 특수 문자가 들어있는 경우는 그 글자 쌍을 버린다. 예를 들어 "ab+"가 입력으로 들어오면, "ab"만 다중집합의 원소로 삼고, "b+"는 버린다.
• 다중집합 원소 사이를 비교할 때, 대문자와 소문자의 차이는 무시한다. "AB"와 "Ab", "ab"는 같은 원소로 취급한다.

출력 형식

입력으로 들어온 두 문자열의 자카드 유사도를 출력한다. 유사도 값은 0에서 1 사이의 실수이므로, 이를 다루기 쉽도록 65536을 곱한 후에 소수점 아래를 버리고 정수부만 출력한다.

예제 입출력

str1	str2	answer
FRANCE	french	16384
handshake	shake hands	65536
aa1+aa2	AAAA12	43690
E=M*C^2	e=m*c^2	65536

나의 풀이

const str1 = "aa1+aa2";
const str2 = "bb";
const str3 = "E!@#=M*C^2";
const str4 = "d=m*c^2";

//   ha an nd ds sh ha ak ke
//   sh ha ak ke ha an nd ds

function solution(str1, str2) {
  str1 = str1.toLowerCase();
  str2 = str2.toLowerCase();

  if (str1 === str2) {
    return 65536;
  }

  const reg = /[^a-z]/gi;

  let str1Obj = {};
  let str2Obj = {};
  let str1Arr = [];
  let str2Arr = [];

  for (let i = 0; i < str1.length - 1; i++) {
    let value = str1.slice(i, i + 2).replace(reg, "");

    if (value.length === 2) {
      str1Obj[value] ? str1Obj[value]++ : (str1Obj[value] = 1);
      str1Arr.push(value);
    }
  }

  for (let i = 0; i < str2.length - 1; i++) {
    let value = str2.slice(i, i + 2).replace(reg, "");

    if (value.length === 2) {
      str2Obj[value] ? str2Obj[value]++ : (str2Obj[value] = 1);
      str2Arr.push(value);
    }
  }

  let interArr = [...new Set(str1Arr.filter((v) => str2Arr.includes(v)))];
  const interObj = {};

  let inter = 0;
  let total = 0;

  for (let i = 0; i < interArr.length; i++) {
    let min = Math.min(str1Obj[interArr[i]], str2Obj[interArr[i]]);
    interObj[interArr[i]] = min;

    inter += min;
  }

  Object.keys(str1Obj).forEach((v) => {
    total += (str1Obj[v] ? str1Obj[v] : 0) - (interObj[v] ? interObj[v] : 0);
  });

  Object.keys(str2Obj).forEach((v) => {
    total += (str2Obj[v] ? str2Obj[v] : 0) - (interObj[v] ? interObj[v] : 0);
  });

  return inter === 0 ? 0 : parseInt((inter / (total + inter)) * 65536);
}

console.log(solution(str3, str4));

 

str1,str2 Obj에게 두 글자가 들어간 횟수를 카운팅하고 따로 문자를 배열에 따로 추가해두었다. 

 

그리고 추가한 문자 배열 str1,st2 Arr을 사용해 교집합인 interArr를 만들고 

그걸 이용해서 inter와 total를 계산했다. 

 

풀이는 맞았지만 중복된 값을 어떻게 처리해야하나 싶어서 고민하다가 코드가 많이 더러워졌다. 

const str1 = "FRANCE";
const str2 = "french";
const str3 = "handshake";
const str4 = "shake hands";

//   ha an nd ds sh ha ak ke
//   sh ha ak ke ha an nd ds

function solution(str1, str2) {
  str1 = str1.toLowerCase();
  str2 = str2.toLowerCase();

  const reg = /[^a-z]/gi;

  let str1Obj = {};
  let str2Obj = {};
  let interArr = [];

  for (let i = 0; i < str1.length - 1; i++) {
    let value = str1.slice(i, i + 2).replace(reg, "");

    if (value.length === 2) {
      str1Obj[value] ? str1Obj[value]++ : (str1Obj[value] = 1);
      interArr.push(value);
    }
  }

  for (let i = 0; i < str2.length - 1; i++) {
    let value = str2.slice(i, i + 2).replace(reg, "");

    if (value.length === 2) {
      str2Obj[value] ? str2Obj[value]++ : (str2Obj[value] = 1);
      interArr.push(value);
    }
  }

  const caseSet = new Set(interArr);

  let inter = 0;
  let union = 0;

  caseSet.forEach((element) => {
    let value1 = str1Obj[element] ? str1Obj[element] : 0;
    let value2 = str2Obj[element] ? str2Obj[element] : 0;

    inter += Math.min(value1, value2);
    union += Math.max(value1, value2);
  });

  return parseInt(
    (inter === 0 ? (str1 === str2 ? 1 : 0) : inter / union) * 65536
  );
}

solution(str1, str2);

좀더 깔끔한 방법으로 전체 2글자 모음을 배열(interArr)에 넣고 Set을 활용해 중복을 없앴다. 

 

그후 Set을 활용해서 값을 min과 max를 활용해서 계산했다. 

예를들어 aa 라는 글자에 대해서 value1은 1, value2는 3일 경우 교집합에는 1을, 합집합에는 3을 더하는 것이다. 

그렇게 하면 만약 한쪽 문자열에만 있는 조합에는 2, 0 과 같이 다른 한쪽은 0이기 때문에 교집합엔 추가하지 않고

합집합에만 값을 더해준다. 

 

출처: 프로그래머스 코딩 테스트 연습, https://programmers.co.kr/learn/challenges