poj2104 K-th Number

本文介绍了一种使用主席树解决区间第K小数值查询问题的方法。通过离散化和构建主席树,可以有效地处理大量的查询请求,对于每个查询,算法能够快速找出指定区间内的第K小元素。

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

题目:给你n个数,m个查询,每次查询形如(L,R,K),询问区间[L,R]区间内第K小的数

思路:主席树

代码:

#pragma comment(linker, "/STACK:1024000000,1024000000")
#include<iostream>
#include<algorithm>
#include<cstdio>
#include<cmath>
#include<cstring>
#include<string>
#include<vector>
#include<map>
#include<set>
#include<queue>
#include<stack>
#include<list>
#include<numeric>
using namespace std;
#define PI acos(-1.0)
#define LL long long
#define ULL unsigned long long
#define INF 0x3f3f3f3f
#define mm(a,b) memset(a,b,sizeof(a))
#define PP puts("*********************");
template<class T> T f_abs(T a){ return a > 0 ? a : -a; }
template<class T> T gcd(T a, T b){ return b ? gcd(b, a%b) : a; }
template<class T> T lcm(T a,T b){return a/gcd(a,b)*b;}
// 0x3f3f3f3f3f3f3f3f
// 0x3f3f3f3f

const int maxn=1e5+50;
const int maxm=maxn*30;
int arr[maxn];//原数组
int num[maxn],siz;//num离散化之后的数组
int root[maxn],lson[maxm],rson[maxm],cnt[maxm];//根节点,左儿子,右儿子,区间内的数出现次数的前缀和
int tot;
void init(){
    tot=1;
    root[0]=lson[0]=rson[0]=cnt[0]=0;//建一棵空树
    sort(num+1,num+siz+1);//离散化
    siz=unique(num+1,num+siz+1)-num-1;
}
int Hash(int x){
    return lower_bound(num+1,num+siz+1,x)-num;
}
int update(int rt,int pos,int val){
    int newrt=tot++,temp=newrt;
    cnt[newrt]=cnt[rt]+val;
    int l=1,r=siz;
    while(l<r){
        int mid=(l+r)/2;
        if(pos<=mid){
            r=mid;
            lson[newrt]=tot++;rson[newrt]=rson[rt];
            newrt=lson[newrt];rt=lson[rt];
        }
        else{
            l=mid+1;
            lson[newrt]=lson[rt];rson[newrt]=tot++;
            newrt=rson[newrt];rt=rson[rt];
        }
        cnt[newrt]=cnt[rt]+val;
    }
    return temp;
}
int query(int left_rt,int right_rt,int k){
    int l=1,r=siz;
    while(l<r){
        int mid=(l+r)/2;
        int temp=cnt[lson[right_rt]]-cnt[lson[left_rt]];
        if(temp>=k){
            r=mid;
            left_rt=lson[left_rt];
            right_rt=lson[right_rt];
        }
        else{
            l=mid+1;
            k-=temp;
            left_rt=rson[left_rt];
            right_rt=rson[right_rt];
        }
    }
    return l;
}
int main(){

    int n,m,L,R,K;
    while(~scanf("%d%d",&n,&m)){
        siz=0;
        for(int i=1;i<=n;i++){
            scanf("%d",&arr[i]);
            num[++siz]=arr[i];
        }
        init();
        for(int i=1;i<=n;i++)
            root[i]=update(root[i-1],Hash(arr[i]),1);
        while(m--){
            scanf("%d%d%d",&L,&R,&K);
            int ans=query(root[L-1],root[R],K);
            printf("%d\n",num[ans]);
        }
    }
    return 0;
}


资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
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