学步园

比如有10000篇文章，每篇可能有0－10个标签，不同的标签共有1000个，用什么算法能最快地获取与指定文章相关度最高的其它文章？

用一个1000bit(归约为1024bit)数据类型来记录每篇文章包含了哪些标签，然后对这个数据进行与运算，以结果里出现的1的个数为标准排序即可。

规模大约为：
数据传输：1024bit=128Byte, 128Byte*10000=128B*10K=1MB（可以缓存，不是太大）
数据运算：比较次数为10000,每次比较1024bit。

得写个示例程序测试一下可行性。

using System;
using System.Collections;
using System.Collections.Generic;
using System.Diagnostics;

public class Test
{
 static readonly int tagsCount=3000;
 static readonly int articleCount=30000;
 static List<BitArray> articleTags=new List<BitArray>(articleCount);

 public static void Main()
 {
  Stopwatch sw=new Stopwatch();
  sw.Start();
  for(int i=0; i<articleCount; i++)
  {
    articleTags.Add(new BitArray(tagsCount));
  }
  List<CountAndIndex> countsAndIndex=new List<CountAndIndex>(articleCount);
  for(int i=0; i<articleCount; i++)
  {
   countsAndIndex.Add(new CountAndIndex(Count(articleTags[0].And(articleTags[i])), i));
  }
  countsAndIndex.Sort();
  sw.Stop();
  Console.WriteLine(sw.Elapsed);
 }

 static int Count(BitArray bits)
 {
  int result=0;
  foreach(bool bit in bits)
  {
   if(bit)
    ++result;
  }
  return result;
 }
}

struct CountAndIndex : IComparable<CountAndIndex>
{
 public int Count;
 public int Index;

 public CountAndIndex(int count, int index)
 {
  Count=count;
  Index=index;
 }

 public int CompareTo(CountAndIndex other)
 {
  return this.Count.CompareTo(other.Count);
 }
}

1K Tags * 10K articles: 00:00:00.4684715
2K Tags * 20K articles: 00:00:01.7932927
3K tags * 30K articles: 00:00:04.0203271
10K tags * 100K articles: 00:00:44.2125127

基本上与问题规模成线性比例。

规模小于1K*10K时可以即时运算；
大一点可以提供后台运行的服务，异步延迟加载；
大于3K*30K就得在数据库里缓存结果了。