1025 PAT Ranking

本文介绍了一种比赛排名系统的实现方法,使用结构体分段排序,每次输入一组数据进行局部排名,最后进行总排名。系统能处理分数相同的并列情况,确保排名的准确性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

在这里插入图片描述在这里插入图片描述

题目大意:

给几张榜,最后输出的总排名榜每行的输出格式为:账号 总排名 原来的榜单号 原榜排名。如果分数相同就按照账号从小到大排序,注意样例的排名如果出现并列排名就不是连续的了,比如1 1 3 4 5这样的排名是正确的,1 1 2 3 4 就是错误的。

解题思路:

结构体分段排序,每输入一组就对这一组进行一次排序,得出该组每人在本组中的排名,最后对所有人进行一次总排名即可。
代码如下:

#include<iostream>
#include<cstdio>
#include<fstream>
#include<set>
#include<cmath>
#include<cstring>
#include<string>
#include<map>
#include<vector>
#include<iomanip>
#include<cstdlib>
#include<list>
#include<queue>
#include<stack>
#include<algorithm>
#define inf 0x3f3f3f3f
#define MOD 1000000007
#define mem0(a) memset(a,0,sizeof(a))
#define mem1(a) memset(a,-1,sizeof(a))
#define meminf(a) memset(a,inf,sizeof(a))
//vector ::iterator it;
//set<int>::iterator iter;
typedef long long ll;
typedef unsigned long long ull;
using namespace std;
struct pat
{
  string num;
  int score,rank1,rank2,location;
}p[30010];
int cmp(pat a,pat b)
{
  if(a.score!=b.score) return a.score>b.score;
  else return a.num<b.num;
}
int main()
{
//  std::ios::sync_with_stdio(false);
//  cin.tie(0);
//  freopen("test.txt","r",stdin);
//  freopen("output.txt","w",stdout);
 int n,j=1,t=0,k=0;//t为区间的左端点,k为右端点
 cin>>n;
 while(n--)
 {
   int m;
   cin>>m;
   k=t+m;//在总体中的上限
   for(int i=t;i<k;i++)
   {
     cin>>p[i].num>>p[i].score;
     p[i].location=j;
   }
   sort(p+t,p+k,cmp);
   p[t].rank2=1;
   for(int i=t+1;i<k;i++)//每组榜单中每人的名次
   {
     if(p[i].score==p[i-1].score)p[i].rank2=p[i-1].rank2;
     else p[i].rank2=i+1-t;
   }
   t=k;
   j++;
 }
 sort(p,p+k,cmp);//总排名
 p[0].rank1=1;
 for(int i=1;i<k;i++)//总榜中每人的名次
 {
   if(p[i].score==p[i-1].score)p[i].rank1=p[i-1].rank1;
   else p[i].rank1=i+1;
 }
 cout<<k<<endl;
 for(int i=0;i<k;i++)
 {
   cout<<p[i].num<<' '<<p[i].rank1<<' '<<p[i].location<<' '<<p[i].rank2<<endl;
 }
 return 0;
}

### Ranking Loss 的概念 Ranking loss 是一种用于衡量模型预测排名顺序与真实标签之间差异的损失函数。这种类型的损失函数广泛应用于信息检索、推荐系统以及自然语言处理等领域,特别是在涉及排序的任务中。 ### Ranking Loss 的计算方法 常见的 ranking loss 形式之一是成对排序损失 (Pairwise Ranking Loss),其核心思想是比较不同样本之间的相对位置关系。具体来说,对于任意一对正负样例 \(i\) 和 \(j\),如果希望正样例子 \(i\) 排名高于负样例子 \(j\),则定义如下形式的损失: \[L_{rank}(f(x_i), f(x_j)) = \max(0, 1 - (f(x_i) - f(x_j)))\] 其中 \(f(\cdot)\) 表示评分函数[^1]。该公式表明当正样例得分低于或等于负样例时会产生惩罚;反之,则不会增加额外成本。 另一种常用的 ranking loss 是列表级别的 RankNet 损失函数,在此框架下,通过比较每一对文档的概率分布来优化整个查询结果列表的质量: \[L(y_1,y_2)=E[\log(1+\exp(-t(s_1-s_2)))]\] 这里 \(s_1,s_2\) 分别代表两个文档的相关度分数,而\( t=\text{sign}(y_1-y_2)\)决定了这对文档的真实偏好方向。 ### 应用场景 - **搜索引擎**:提高搜索结果页面上高质量网页的位置。 - **广告投放平台**:确保高点击率的商品展示给更多潜在客户。 - **社交网络中的好友推荐**:优先显示那些更有可能成为新朋友的人选。 - **学术论文引用分析**:帮助学者找到最相关的研究资料。 ```python def pairwise_ranking_loss(pos_score, neg_score): """Calculate Pairwise Ranking Loss.""" margin = 1.0 losses = torch.relu(margin - pos_score + neg_score) return losses.mean() ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值