131 Palindrome Partitioning

本文详细解析了LeetCode中关于回文分割的问题,包括解题思路、代码实现及测试结果,帮助读者理解如何通过回文判断和递归解决字符串分割问题。

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

题目链接:https://leetcode.com/problems/palindrome-partitioning/

题目:

Given a string s, partition s such that every substring of the partition is a palindrome.

Return all possible palindrome partitioning of s.

For example, given s = "aab",
Return

  [
    ["aa","b"],
    ["a","a","b"]
  ]

解题思路:
这题自己没想出来,参考了大神的思路。
1. 首先根据 Longest Palindromic Substring 中的方法建立一个字典,得到字符串中的任意子串是不是回文串的字典
2. 接下来就跟 Word Break II 一样,根据字典的结果进行切割,然后按照循环处理递归子问题的方法
3. 如果当前的子串满足回文条件,就递归处理字符串剩下的子串
4. 如果到达终点就返回当前结果

代码实现:

public class Solution {
    public List<List<String>> partition(String s) {
        List<List<String>> res = new ArrayList();
        if(s == null || s.length() == 0)
            return res;
        helper(s, getDict(s), 0, new ArrayList<String>(), res);
        return res;
    }
    void helper(String s, boolean[][] dict, int start, List<String> item, List<List<String>> res) {
        if(start == s.length()) {
            res.add(new ArrayList(item));
            return;
        }
        for(int i = start; i < s.length(); i ++) {
            if(dict[start][i]) {
                item.add(s.substring(start, i + 1));
                helper(s, dict, i + 1, item, res); // 以 i 的下一个位置为起点,查看后面是否有回文
                item.remove(item.size() - 1);
            }
        }
    }
    boolean[][] getDict(String s) {
        boolean[][] dict = new boolean[s.length()][s.length()];
        for(int i = s.length() - 1; i >= 0; i --) {
            for(int j = i; j < s.length(); j ++) {
                if(s.charAt(i) == s.charAt(j) && (j - i < 2 || dict[i + 1][j - 1])) // 这个判断条件用个例子就可以理解
                    dict[i][j] = true;
            }
        }
        return dict;
    }
}
21 / 21 test cases passed.
Status: Accepted
Runtime: 8 ms
基于html+python+Apriori 算法、SVD(奇异值分解)的电影推荐算法+源码+项目文档+算法解析+数据集,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 电影推荐算法:Apriori 算法、SVD(奇异值分解)推荐算法 电影、用户可视化 电影、用户管理 数据统计 SVD 推荐 根据电影打分进行推荐 使用 svd 模型计算用户对未评分的电影打分,返回前 n 个打分最高的电影作为推荐结果 n = 30 for now 使用相似电影进行推荐 根据用户最喜欢的前 K 部电影,分别计算这 K 部电影的相似电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now 根据相似用户进行推荐 获取相似用户 K 个,分别取这 K 个用户的最喜爱电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now Redis 使用 Redis 做页面访问次数统计 缓存相似电影 在使用相似电影推荐的方式时,每次请求大概需要 6.6s(需要遍历计算与所有电影的相似度)。 将相似电影存储至 redis 中(仅存储 movie_id,拿到 movie_id 后还是从 mysql 中获取电影详细信息), 时间缩短至:93ms。 十部电影,每部存 top 5 similar movie 登录了 1-6 user并使用了推荐系统,redis 中新增了 50 部电影的 similar movie,也就是说,系统只为 6 为用户计算了共 60 部电影的相似度,其中就有10 部重复电影。 热点电影重复度还是比较高的
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