[PG] 뉴스 클러스터링 - JAVA

1. 문제

프로그래머스

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 전형"에 주목하는 기사와 "코딩 테스트"에 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 유사도"라는 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 "1"을 3개 가지고 있고, 다중집합 B는 원소 "1"을 5개 가지고 있다고 하자. 이 다중집합의 교집합 A ∩ B는 원소 "1"을 min(3, 5)인 3개, 합집합 A ∪ B는 원소 "1"을 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 "FRANCE"와 "FRENCH"가 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.

---

2. 풀이

0. 입력받은 문자열을 전부 대문자로 만든다.

1.  str1의 리스트를 만든다.이 때, 대문자로만 이뤄진 원소를 추가해야 한다.

2.  정렬한다.

3.  str2의 리스트를 구한다. 마찬가지로 대문자로 이뤄진 원소만 추가한다. 이 때, str1리스트에 동일한 원소가 없을때만 추가한다. 만약 있다면 str1List에서도 원소를 삭제하고 교집합 개수를 +1한다.

4.  교집합 개수가 0이면서 str1리스트, str2리스트가 0일때는 65536을 리턴한다.

5.  답을 구한다.

import java.util.*;

class Solution {
    public int solution(String str1, String str2) {
        str1 = str1.toUpperCase();
        str2 = str2.toUpperCase();
        
        double answer = 0;
        
        List<String> str1List = new ArrayList<>();
        List<String> str2List = new ArrayList<>();
        
        //str1리스트 채우기
        for(int i=0;i<str1.length()-1;i++){
            String tmp = str1.substring(i,i+2);
            if(!tmp.matches("^[A-Z]*$")) continue;
            // if(tmp.charAt(0)<'A' || tmp.charAt(1)<'A' || tmp.charAt(0)>'Z' || tmp.charAt(1)>'Z') continue;
            str1List.add(tmp);
        }        
        
        Collections.sort(str1List);
        
        //교집합 개수 구하면서 str2 리스트 채우기
        //동일한 원소가 있다면 str1리스트에서 지우고 str2리스트에도 추가하지 않음
        double share = 0;
        for(int i=0;i<str2.length()-1;i++){
            String tmp = str2.substring(i,i+2);
            if(!tmp.matches("^[A-Z]*$")) continue;
            // if(tmp.charAt(0)<'A' || tmp.charAt(1)<'A' || tmp.charAt(0)>'Z' || tmp.charAt(1)>'Z') continue;
            int idx = Collections.binarySearch(str1List,tmp);
            if(idx >= 0){
                str1List.remove(idx);
                share++;
            }else {
                str2List.add(tmp);
            }
        }
        
        //교집합 개수 0이면서 두 리스트 사이즈가 전부 0이라면 1. 1*65536=65536
        if(share==0 && str1List.size()==0 && str2List.size()==0) return 65536;
        
        //답구하기
        answer = share / (str1List.size()+str2List.size()+share);
        return (int)(answer*65536);
    }
}

---

3. 결과