1025 PAT Ranking

该代码示例展示了如何使用C++中的vector和sort函数对一组学生比赛成绩进行本地和全局排名。算法首先按分数降序排列,相同分数时按ID升序排列。然后,分别计算每个地区的本地排名和所有地区的全局排名。

1025 PAT Ranking

题目大意

按成绩排名,不过多了几层,要分别按当地和最终排名,分别排一下。

算法思想

  • 用vector进行sort函数的排序,可以大大减小工作量,只需重构cmp函数即可
  • 排名的时候,相同分数排名相等,这个需要注意一下
  • 没啥特殊点,不过最后一个测试点好像数据很大,需要注意些节省时间和空间,虽然我没出错。

代码

#include<iostream>
#include<vector>
#include<algorithm>
using namespace std;
struct student
{
	string id;
	int score, f_rank, l_id, l_rank;
};
bool cmp(student a, student b)//重构比较函数
{
	if (a.score != b.score)
		return a.score > b.score;//分数大在前
	else
		return a.id < b.id;//分数相等,id小在前
}
int main()
{
	vector<student>pat;
	int n, k;
	cin >> n;
	for (int i = 1; i <= n; i++)
	{
		cin >> k;
		vector<student>s(k);
		for (int j = 0; j < k; j++)
		{
			cin >> s[j].id >> s[j].score;
			s[j].l_id = i;
		}
		sort(s.begin(), s.end(), cmp);//排序,方便排名
		s[0].l_rank = 1;
		for (int j = 1; j < k; j++)//实现当地排名
		{
			if (s[j].score != s[j - 1].score)//不与上一位相等
				s[j].l_rank = j + 1;
			else
				s[j].l_rank = s[j - 1].l_rank;
		}
		pat.insert(pat.end(), s.begin(), s.end());
	}
	sort(pat.begin(), pat.end(), cmp);//排序
	pat[0].f_rank = 1;
	for (int i = 1; i < pat.size(); i++)//实现最终排名进制
	{
		if (pat[i].score != pat[i - 1].score)
			pat[i].f_rank = i + 1;
		else
			pat[i].f_rank = pat[i - 1].f_rank;
	}
	cout << pat.size() << endl;
	for (int i = 0; i < pat.size(); i++)
		cout << pat[i].id <<" " << pat[i].f_rank <<" " << pat[i].l_id <<" "<< pat[i].l_rank << 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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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