1025 PAT Ranking (25 分)

本文介绍了一种用于比赛成绩排名的算法实现,通过读取多个组别的参赛者信息和分数,进行本地和总排名的计算。使用C++编程语言,通过结构体存储参赛者信息,并利用自定义比较函数对参赛者进行排序,最终输出每个参赛者的总排名和本地排名。

ranllist[i]可以通过复用一个vector代替;或者输入直接写入totallist(final list),用一个数标记位置,以便得到本场次的起始位置。

#include <iostream>
using namespace std;
#include <algorithm>
#include <vector>
struct testee{
    string id;
    int mark,group,local_rank,total_rank;
};
bool cmp(testee t1,testee t2){
    return (t1.mark==t2.mark)?(t1.id.compare(t2.id)<0):t1.mark>t2.mark;
}
int main()
{
    int N;
    cin>>N;
    vector<testee>ranklist[N];
    vector<testee>totallist;
    for (int i = 0; i < N; ++i) {
        int K;
        cin>>K;
        for (int j = 0; j < K; ++j) {
            testee temp;
            cin>>temp.id>>temp.mark;
            temp.group=i+1;
            ranklist[i].push_back(temp);
        }
        sort(ranklist[i].begin(),ranklist[i].end(),cmp);
        int local_count=1;
        ranklist[i][0].local_rank=1;
        totallist.push_back(ranklist[i][0]);
        for (int j = 1; j < K; ++j) {
            local_count++;
            ranklist[i][j].local_rank=(ranklist[i][j].mark==ranklist[i][j-1].mark)?ranklist[i][j-1].local_rank:local_count;
            totallist.push_back(ranklist[i][j]);
        }
    }
    sort(totallist.begin(),totallist.end(),cmp);
    int total_count=1;
    totallist[0].total_rank=1;
    cout<<totallist.size()<<endl;
    cout<<totallist[0].id<<" 1 "<<totallist[0].group<<" 1"<<endl;
    for (int i = 1; i < totallist.size(); ++i) {
        total_count++;
        totallist[i].total_rank=(totallist[i].mark==totallist[i-1].mark)?totallist[i-1].total_rank:total_count;
        cout<<totallist[i].id<<" "<<totallist[i].total_rank<<" "<<totallist[i].group<<" "<<totallist[i].local_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 \(f(\cdot)\) 表示评函数[^1]。该公式表明当正样例得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