1025 PAT Ranking (25分)

本文介绍了一个使用C++实现的学生排名系统。系统通过读取学生的注册号和分数,按分数进行排序,并分配排名。同时,系统还考虑了同分情况下注册号的排序。最终输出包括学生注册号、全局排名、地区排名等信息。

注意最后输出注册号的时候需要用%013lld的方式输出,否则将导致最后一个样例答案错误。

#include<cstdio>
#include<algorithm>
#include<cstdlib>

struct student {
    long long reg_num;
    int score;
    int rank;
    int loc;
};

bool compare(student a, student b) {
    if (a.score != b.score) return a.score > b.score;
    else return a.reg_num < b.reg_num;
}

int main() {
    student stu[30010];
    int N, K;
    scanf("%d", &N);
    int id = 0, locStart = 0;
    for (int i = 0; i < N; i++) {
        scanf("%d", &K);
        locStart = id;
        for (int j = 0; j < K; j++) {
            scanf("%lld %d", &stu[id].reg_num, &stu[id].score);
            stu[id].loc = i+1;
            id++;
        }
        std::sort(stu+locStart , stu+id, compare);
        int localrank = 1, localranktemp = 1;
        stu[locStart].rank = 1;
        for (int k = locStart+1; k < id; k++) {
            localrank++;
            if (stu[k-1].score != stu[k].score) {
                localranktemp = localrank;
            }
            stu[k].rank = localranktemp;
        }
    }
    std::sort(stu, stu+id, compare);
    int rank = 1, ranktemp = 1;
    printf("%d\n", id);
    printf("%013lld %d %d %d\n", stu[0].reg_num, rank, stu[0].loc, stu[0].rank);
    for(int i = 1; i < id; i++) {
        rank++;
        if (stu[i-1].score != stu[i].score) ranktemp = rank;
        printf("%013lld %d %d %d\n", stu[i].reg_num, ranktemp, stu[i].loc, stu[i].rank);
    }


    return 0;
}

 

### Ranking Loss 的概念 Ranking loss 是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 形式之是成对排序损失 (Pairwise Ranking Loss),其核心思想是比较不同本之间的相对位置关系。具体来说,对于任意对正负 \(i\) 和 \(j\),如果希望正子 \(i\) 排名高于负子 \(j\),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 \(f(\cdot)\) 表示评函数[^1]。该公式表明当正低于或等于负时会产生惩罚;反之,则不会增加额外成本。 另种常用的 ranking loss 是列表级别的 RankNet 损失函数,在此框架下,通过比较每对文档的概率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 \(s_1,s_2\) 别代表两个文档的相关度数,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