再来两到百度面试题！

wjc_hit 2008-05-23 03:47:38

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。

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

...全文

841 6 打赏收藏转发到动态举报

写回复

用AI写文章

6 条回复

切换为时间正序

请发表友善的回复…

发表回复

时间过的真快 2008-05-27

打赏
举报

鄙视楼上的，吊人胃口……

lole0803 2008-05-27

打赏
举报

这些问题一般用层次分析法就可以基本搞定

复杂些可以用量化算法

至于最好的算法, 我知道, 就是不说

哈哈, 顶楼上

Dancing_Sea 2008-05-24

打赏
举报

发表于：2008-05-23 19:05:163楼得分:0
引用楼主 wjc_hit 的帖子:

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）

PageRank

-------------

Lz 说道去掉其中的重复网页

计算相似度，投到向量空间上去，计算夹角

-------------

这些都是考Sense的，你若能提出完美的解决方案，百度不去也罢，基本可以自己搞了。

就是，有些公司面试会拿一些公司目前还在设计的算法，群策群力，从中找到一些思想

你可以自己对网页重复下定义——如果想到优秀的算法，有个更好的定义，就可以自己搞了

怀疑这种题不是测试题，就是他们内部的算法需求

njurain 2008-05-23

打赏
举报

[Quote=引用楼主 wjc_hit 的帖子:]

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）[/Quote]

PageRank

-------------

[Quote= Lz 说道]去掉其中的重复网页[/quote]

计算相似度，投到向量空间上去，计算夹角

-------------

这些都是考Sense的，你若能提出完美的解决方案，百度不去也罢，基本可以自己搞了。