[Programmers] [1차] 뉴스 클러스터링

 

 

[문제 설명]

뉴스 클러스터링

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 전형에 주목하는 기사와 코딩 테스트에 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 유사도라는 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 1을 3개 가지고 있고, 다중집합 B는 원소 1을 5개 가지고 있다고 하자. 이 다중집합의 교집합 A ∩ B는 원소 1을 min(3, 5)인 3개, 합집합 A ∪ B는 원소 1을 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 FRANCE와 FRENCH가 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.

 

 

 

 

[풀이 과정]

 

 

위에 문제 설명만 보아도 끔찍하다. 무슨 글이 저렇게 많은가?

 

대충 넘겨읽고 문제로 들어 갔다.

 

문제의 요지는 간단하다 문자열 두개를 각각 두글자 씩 잘라서 배열로 만든 후 (교집합/합집합) 을 구하면 된다...?

 

라고 생각했다.

 

엥? 뭐야 완전 별거아니네~

 

라고 생각하고 삽질만하다. 많은 시간을 소비했다.

 

문제에서 집합이라는 표현을 사용하기는 하지만 중복을 허용하는 집합이다.

 

따라서 set 명령어에 의존하다가 중복된 문자열이 삭제되는 경우가 있다.

 

 

저 홍수처럼 쏟아지는 글을 읽는 것은 고역이지만, 그래도 실전에선 꾸역꾸역 잘 읽어 넘기는 것이 시간단축하는 길이 아닐까 싶다.

 

 

def solution(str1, str2):
    set1 = []
    set2 = []
    
    str1 = str1.upper()
    str2 = str2.upper()
    
    for i in range(len(str1)-1):
        if 65 <= ord(str1[i]) <= 90 and 65 <= ord(str1[i+1]) <= 90:
            set1.append(str1[i]+str1[i+1])

    for i in range(len(str2)-1):
        if 65 <= ord(str2[i]) <= 90 and 65 <= ord(str2[i+1]) <= 90:
            set2.append(str2[i]+str2[i+1])
            
    if not set1 and not set2:
        return 65536
            
    cnt = 0
    length = len(set1+set2)

    while set1 and set2:
        p = set1.pop()
        for st in set2:
            if p == st:
                cnt += 1
                set2.remove(st)
                break
                
    return int((cnt / (length - cnt)) * 65536)