有一个学校专业的字符串，怎样识别出哪部分是学校名称和专业名称（ Java 实现）

[axwz88]

比如一个字符串“北京大学软件工程”，“北京大学”和“软件工程”分别是学校名称和专业名称的变量，
假如有 2000 个学校和 1000 个专业，怎么识别出哪一部分是学校名称，哪一部分是专业名称呢？
用 2000 个学校去查询，再用 1000 个专业去查询，那查一次最多要查 3000 次，请问大家有没有好的解决方案。

[OhYee]

直接用大学或者学院把字符串分开就行吧，应该所有学校都是这俩词结尾吧

[RicardoY]

绝大部分学校按照大学和学院截断就可以解决问题了吧..截断以后查一下 hashset 确认一下是不是一个合法的解

[Enya]

先截学院，后截大学。

因为会有类似北京航空航天大学大学北海学院这种存在。

[lihongming]

用 SVM 吧，万一有很多不按规则说话的呢？

[axwz88]

@OhYee
@RicardoY
@Enya
感谢回复，截断的确是个最直接的方法，但很多学校名称不规则，比如"XX 集团 XX 所"，还有些大学有注释，比如"中国石油大学（华东）"，所以这种办法就行不通了。

[Yourshell]

想匹配不规则字符串的话只有 ml 之类的了

[aguesuka]

所有大学，塞一个 trietree 里面，先匹配大学，后面的就是专业课。嫌麻烦可以用 treemap

[AX5N]

2000 个学校不算多，我觉得直接预先把所有学校拉出来最好。

[39Sc06lk7Khhc4qV]

想起《数学之美》中 Google 地图关于地址信息的解析，这应该算是一种比较简单的上下文有关文法，Google 的做法是用自动机来进行 街道->地区->城市->州 的各个部分的匹配，感觉思路可能比较接近🤔

[littlecap]

先下载一个高校库，然后匹配一下就好了。如果需要我可以发给你。

[mcorley]

excel 导出，分列，剩下几十个特殊的手动一下就好了

[nevin47]

我要把这个帖子转给我的同事哈哈哈哈。

自从我司开始考试，我就天天听到一个论调就是考算法的东西完全没用😂😂😂终于发现一个实际问题了

这个问题如果不用数据库的话，绝对用 hash 最快啊，逐一阶段，然后去 hash 里面比对，就立刻找到属于哪个学校了

[passerbytiny]

人是怎么处理的，程序就怎么处理，以下为自动化层次逐步增高的几种方式：
逐条手工识别和拆分
↓
按已知规则自动拆分，然后人工逐条审核和纠正
↓
同上，每次审核后再将新发现的规则融合到拆分规则中（已初步是 AI ）
↓
上一层次执行多次后，将审核、融合新规则也弄成程序自动处理（已是 AI 或者人工智障）

[passerbytiny]

@nevin47 #11 ⁉ hash 还能部分匹配原文？

[zenan9001]

先考虑通用情况，把"大学"作为截断关键字，再考虑特殊情况，括号什么的比较少，可以特殊处理

[no1xsyzy]

@passerbytiny
做 hashtable，然后拿部分去判断。
能从 3000 降到 length(输入字符串)^2

[dog82]

先粗匹配学校，然后人肉修正一遍，专业的名字用正则就行

[RicardoY]

@aguesuka 用 trie 确实是一个好办法

[no1xsyzy]

@passerbytiny BTW，你的世界不完整，推荐用 Red 而不是 Block /t/592670 /t/596604

[LeeSeoung]

正则。。

[muxixi]

都是 学校+院系的组合

先排序 按前几个字符分组，然后随便算算相同的前缀，找出学校名，然后院系就出来了。

[LudwigWS]

V 站各路大神啊

[MaiKuraki]

正则表达式？

[wysnylc]

正则筛选+人工纠错
换什么方式都逃不掉人工纠错

[rammiah]

想到了最长前缀匹配，计算机网络学了这个匹配路由的，可以用来匹配学校吧

[axwz88]

@aguesuka
@nevin47
@wmc
@no1xsyzy

感谢，用 ac 自动机可以高效实现，trie 树和 kmp 算法实现 ac 自动机，用 hashtable 对字符串碰撞也可以实现，受教了，没想到自己这么菜

[axwz88]

每条回复我都认真看了，的确解决问题的方式不止一种，综合大家的回复我考虑用 ac 自动机去实现

[axwz88]

感谢大家