뉴스 클러스터링

Description

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 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 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.

Input

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.

Output

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

Example

str1 : "FRANCE" & str2 : "french" -> 16384
str1 : "handshake" & str2 : "shake hands" -> 65536
str1 : "aa1+aa2" & str2 : "AAAA12" -> 43690
str1 : "E=MC^2" & str2 : "e=mc^2" -> 65536

Code

#include <bits/stdc++.h>

using namespace std;

string util(string str){
    int l = str.length();
    string result = "";
    for (int i = 0; i <l ; i++)
    {
        if((int(str[i]) >= int('a') && int(str[i]) <= int('z')) || (int(str[i]) >= int('A') && int(str[i]) <= int('Z')))
            result += tolower(str[i]);
        else
            result += str[i];
    }
    return result;
}

bool check_valid(char c){
    
    if((int(c) >= int('a') && int(c) <= int('z')) || (int(c) >= int('A') && int(c) <= int('Z')))
        return true;
    

    return false;
}

int solution(string str1, string str2) {
    int answer = 0;
    unordered_map<string, int> um_1;
    unordered_map<string, int> um_2;

    str1 = util(str1);
    
    str2 = util(str2);
    
    for(int i=0; i<str1.length()-1; i++){
        string tmp = "";
        if(check_valid(str1[i+1]) && check_valid(str1[i]))
            tmp += str1.substr(i,2);
        else
            continue;
        if(um_1[tmp])
            um_1[tmp] += 1;
        else
            um_1[tmp] = 1;
    }
        
    for(int i=0; i<str2.length()-1; i++){
        string tmp = "";
        if(check_valid(str2[i+1]) && check_valid(str2[i]))
            tmp += str2.substr(i,2);
        else
            continue;
        if(um_2[tmp])
            um_2[tmp] += 1;
        else
            um_2[tmp] = 1;
    }
    
    int sum = 0;
    int com = 0;
    
    for (auto p : um_1){
        if(um_2[p.first]){
            sum += max(um_2[p.first], p.second);
        }
        else{
            sum += p.second;
        }
    }
    for (auto p : um_2){
        if(!um_1[p.first])
            sum += p.second;
    }
    
    // get com
    for (auto p : um_1){
        if(um_2[p.first])
            com += min(um_2[p.first], p.second);
    }
    
    
    if (com == 0 && sum == 0)
        answer = 65536;
    else{
        double j = double(com)/double(sum);
        answer += int(j*65536);    
    }
    

    return answer;
}

Thoughts

2018년 Kakao 블라인드 채용 1차에 출제된 문제로 당시 난이도는 중, 정답률은 41.8%로 결코 만만한 문제가 아니였다.
처음에 나는 목표 시간이 30분이였는데, 실제로는 45분정도 걸렸던거 같다.
문제는 그렇게 복잡하진 않지만 처음 소개하는 개념인 "자카드 유사도", "다중 집합"의 설명을 잘 읽고 파악하는 것이 핵심이였다.
문제를 해석하고 이해하는데 쓴시간은 약 5분, 그 다음 어떤 식으로 풀지 구상을 했다.
우선 util이라는 함수를 만들어서 주어진 string들의 대소문자를 소문자로 그냥 통일시켰다.
그리고 다중집합은 unordered_map으로 구현했다. string을 순회하면서 valid를 체크, unordered_map에 k,v로 해당 원소를 다중집합에 첨가 하는 방법을 다한 다음, 교집합의 수와 합집합의 수를 체크해주면 문제는 어렵지 않았다.
다만 어이없게 막판 5분 넘게 소수의 나눗셈을 할 때 int끼리 나누면 int가 반환되니 type casting을 해줘야하는것을 못보고 있다가 시간을 조금 허비하긴 했지만, 이 문제는 수학 개념, 문제에서 주어진 개념에 대한 이해 등만 있으면 어렵지 않았을 것 같다.

해가 지날 수록 코딩테스트 수준이 높아진다는 말이 있는데, 약 2년 전 41프로의 정답률을 기록한 문제가 프로그래머스 lv2 수준이라는 것을 보면 그런 것 같기도 하다.