在文档中并行计算字数

本文关键字：并行计算 文档 | 更新日期: 2023-09-27 18:33:49

你知道如何使这个循环更快吗？它计算每个单词在文档中出现的频率。

_documentVectorSpace是包含有关文档的杂项信息的对象列表。

_documentVectorSpace[i].术语是文档中的单词数组。

_distinctTerms是所有文档中包含的所有唯一单词的哈希集。

Parallel.For(0, _documentVectorSpace.Count, i =>
{
    int count = 0;
    double[] vec = new double[_distinctTerms.Count];
    foreach (string term in _distinctTerms)
    {
        vec[count++] = Weight(_documentVectorSpace[i].Terms, term);
    }
    _documentVectorSpace[i].VectorSpace = vec;
 });

其中权重定义为：

private float Weight(string[] document, string term)
{
    return document.Where(s => s == term).Count();
}

在文档中并行计算字数

您

正在枚举每个term的_documentVectorSpace[i].Terms。您应该反转循环，以便从_documentVectorSpace[i].Terms开始并在_distinctTerms中查找值。

此外，很难从这个例子中看出你的_documentVectorSpace一代有多高效。很有可能，虽然它运行得很快，但它跳过了需要此功能执行的大量工作。

_distinctTerms中的每个

单词扫描一次文档是非常昂贵的，而且您没有充分利用 HashSet 查找的强大功能。您应该做的是扫描文档一次，识别_distinctTerms中的每个单词，然后更新向量。类似于以下内容：（未经测试的代码）

Parallel.For(0, _documentVectorSpace.Count, i =>
{
    int count = 0;
    double[] vec = new double[_distinctTerms.Count];
    Parallel.ForEach(_documentVectorSpace[i].Terms, term =>
    {
        if (_distinctTerms.ContainsKey(term))
        {
            Interlocked.Increment(ref vec[_distinctTerms[term]]);
        }
    });
    _documentVectorSpace[i].VectorSpace = vec;
 });

当然，_distinctTerm现在应该是一个将术语映射到索引的字典。

相关文章：