模板-拓扑排序

本文介绍了一种基于优先队列实现的图的拓扑排序算法。通过使用优先队列来选择当前入度为零的点加入队列,并在每次迭代中将队列顶部的点删除,更新其所有下节点的入度,直至队列为空。若最终得到的序列长度等于图的节点数,则排序成功。
struct TopologicalSort{
	const int N=60;
	//邻接表储存图 
	vector<int> v[N];
	//记录答案序列 
	vector<int>ans;
	//记录点i的入度 
	int in[N];
	bool tuopu(int n){
		//使用优先队列(优先队列是大顶堆)* 
		priority_queue<int,vector<int>,greater<int> >q;
		int p;
		//选择当前入度为零的点加入队列 
		for(int i=1;i<=n;i++){
			if(in[i]==0)q.push(i);
		}
		while(!q.empty()){
			p=q.top();
			q.pop();
			ans.push_back(p);
			for(int i=0;i<v[p].size();i++){
				//把点p删除,把p的所有下节点的入度减一 
				in[v[p][i]]--;
				//如果此时点v[p][i]的入度为零,则把这个点加入队列 
				if(in[v[p][i]]==0)q.push(v[p][i]);
			}
		}
		//如果答案序列的长度和n不一致,则无答案 
		if(ans.size()==n)return true;
		else return false;
	}
}; 

 

Nano-ESG数据资源库的构建基于2023年初至2024年秋季期间采集的逾84万条新闻文本,从中系统提炼出企业环境、社会及治理维度的信息。其构建流程首先依据特定术语在德语与英语新闻平台上检索,初步锁定与德国DAX 40成分股企业相关联的报道。随后借助嵌入技术对文本段落执行去重操作,以降低内容冗余。继而采用GLiNER这一跨语言零样本实体识别系统,排除与目标企业无关的文档。在此基础上,通过GPT-3.5与GPT-4o等大规模语言模型对文本进行双重筛选:一方面判定其与ESG议题的相关性,另一方面生成简明的内容概要。最终环节由GPT-4o模型完成,它对每篇文献进行ESG情感倾向(正面、中性或负面)的判定,并标注所涉及的ESG具体维度,从而形成具备时序特征的ESG情感与维度标注数据集。 该数据集适用于多类企业可持续性研究,例如ESG情感趋势分析、ESG维度细分类别研究,以及企业可持续性事件的时序演变追踪。研究者可利用数据集内提供的新闻摘要、情感标签与维度分类,深入考察企业在不同时期的环境、社会及治理表现。此外,借助Bertopic等主题建模方法,能够从数据中识别出与企业相关的核心ESG议题,并观察这些议题随时间的演进轨迹。该资源以其开放获取特性与连续的时间覆盖,为探究企业可持续性表现的动态变化提供了系统化的数据基础。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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