프로그래머스 2단계 - 뉴스 클러스터링

뉴스 클러스터링

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 유사도라는 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.

---

입력 형식

• 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, ab만 다중집합의 원소로 삼고, b+는 버린다.
• 다중집합 원소 사이를 비교할 때, 대문자와 소문자의 차이는 무시한다. AB와 Ab, ab는 같은 원소로 취급한다.

---

출력 형식

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

---

예제 입출력

---

접근법

1. 두글자로 끊기
   1. 숫자, 특수문자, 공백 버리기
   2. 대소문자 같은 것으로 취급
2. 교집합 구하기, 합집합 구하기
3. 다중집합 처리하기
4. answer = 교집합 / 차집합

---

코드

import re
import math
def solution(str1, str2):
    
    # 1. 두 글자씩 끊기
    str1_ = [str1[i:i+2].lower() for i in range(0, len(str1)-1)
            if re.findall('[a-zA-Z]+', str1[i:i+2])]
    str2_ = [str2[i:i+2].lower() for i in range(0, len(str2)-1)
            if re.findall('[a-zA-Z]+', str2[i:i+2])]
    
    # 2. 교집합, 합집합 구하기
    #ins = str1_.intersection(str2_)
    #uni = str1_.union(str2)
    ins = set(str1_) & set(str2_)
    uni = set(str1_) | set(str2_)
    
    if len(uni) == 0:
        return 65536
    
    # 3. 다중집합일 경우
    ins_ = sum([min(str1_.count(i), str2_.count(i)) for i in ins])
    uni_ = sum([max(str1_.count(j), str2_.count(j)) for j in uni])
    
    # 4. answer = len(교집합/합집합)
    answer = math.floor((ins_/uni_)*65536)
    
    return answer

 

 

 

1. 문자를 제외한 숫자, 특수문자, 공백을 버리기 위하여 re의 findall() 함수를 이용하였다.

그리고 lower()를 이용하여 모든 문자를 소문자로 바꾸어준다.

 

2. str1_과 str2_를 교집합과 합집합으로 나누어준다.

 

3. 합집합이 0이라면 65536을 리턴해주었고 아니면 교집합의 수를 합집합으로 나눈 후 65536을 곱하여 리턴해준다.

 

4. 다중집합을 처리하기 위해 str1 과 str2 에서 교집합이 몇개 있는지, 둘 중 작은 개수를 세어주고 더해준다.