百度笔试试题

发表于 2012-4-23 18:11

1.　如果必须从网页中区分出一部分"重要网页"（例如在10亿中选8亿），比其他网页更值得展现给用户，请提出一种方案。
2. 假设有10亿网页已经被我们存下来，并提供如下信息：网页全文（即网页的源码）、全文长度、网页正文（即网页中提取的主体文字）、正文长度，以及其他网页提取物等，现在希望去掉其中的重复网页，请提出可行的方案，计算出每个网页对应的重复度，你可以自己对网页重复下定义，也可以提出需要哪些更多的网页提取物来实现更好的去重复方案。

发表于 2012-4-23 18:23

1，看入度多的就是好网页，搜索关键字在该网页所占权重大的也是好网页。

发表于 2012-4-23 18:24

2 先url去重，然后<title>相同的是重复，有某些<h>相同也可认为重复，主体内容做最小编辑距离之类的算法也可以去重，之后按照搜索引擎对该网页的关键字权重的求两个网页的距离，在一定值域内认为相同。

发表于 2012-4-23 18:31

LS分析的很有道理

发表于 2012-4-23 19:36

百度的面试题？？？？没有搞过这个方面的东西

发表于 2012-4-23 20:07

貌似与网页开发有关

发表于 2012-4-23 20:52

先分割成小单元，利用中值滤波算法呗，将每个小单元的选选出做大值，然后再将得到的最大值排列组合下，再分割再筛选出最大值，肯定是可以得到答案的啊

发表于 2012-4-23 21:05

哦，刚才有点答非所问的啊，不过处理的原理大同小异的啊，10亿里面取8亿，还是先分成小单元，中值滤波，滤除最小值，直到滤除掉2亿的最小值即可的啊

发表于 2012-4-24 08:27

没去过

百度笔试试题

相关帖子

浏览过的版块

技术新星奖章

浏览过的版块

技术新星奖章