10.10算法题整理

1. 拓扑排序

主要是建立一个graph（unordered map）用来存放依赖关系（注意，是存放每个点作为前置点连接的后续任务），然后建立入度数组ingree，存放每个点的入度。如果一个点没有前置，说明它的入度为0

然后先把所有入度为0的数组入队列，也就是bfs。取出每个队首，找到它后续任务，让所有后续任务的入度--，如果该任务入度为0，就入队列。

import sys
# If you need to import additional packages or classes, please import here.
import queue


def func():
    graph = dict()
    ru = [-1]
    lines = sys.stdin.readlines()
    N = int(lines[0].strip())
    times_b = lines[1].strip().split(' ')
    times = [-1]
    for i in range(N):
        times.append(int(times_b[i]))
    idx = 1
    for line in lines[2:N + 2]:
        if (line.strip() != "-1"):

            nums = line.strip().split(' ')
            # print(nums)
            for i in range(len(nums)):
                nums[i] = int(nums[i])
                if nums[i] not in graph:
                    graph[nums[i]] = [idx]
                else:
                    graph[nums[i]].append(idx)
            ru.append(len(nums))
        else:
            ru.append(0)
        idx += 1
    # print(graph)
    res = 0
    que = queue.Queue()
    for i in range(1, len(ru)):
        if ru[i] == 0:
            que.put(i)

    maxtime = [0] * (N + 1)
    while not que.empty():
        cur = que.get()
        # print(cur)
        res = max(res, times[cur])
        if cur not in graph:
            continue

        for nextt in graph[cur]:
            ru[nextt] -= 1
            # 更新时间要放在入度前面
            times[nextt] = times[cur] + times[nextt]
            if ru[nextt] == 0:
                # print(nextt)
                que.put(nextt)
                # print(nextt)
                res = max(res, times[cur] + times[nextt])
                # maxtime[nextt] = maxtime[cur] + times[nextt]


    print(res)


if __name__ == "__main__":
    func()

2. 如果要用大模型搞一个问答系统，如果用户问了个问题，如何根据这个问题给他推荐其他他可能想问的问题？这个问题不在问题库中，也没有历史记录

要为问答系统推荐相关问题，可以使用以下方法：

1. 语义相似度：

   • 使用嵌入模型（如BERT）将用户问题转化为向量。
   • 计算该向量与其他问题的相似度，推荐相似度高的问题。

2. 主题建模：

   • 使用主题建模技术（如LDA）识别问题的主题。
   • 推荐属于相似主题的问题。

3. 知识图谱：

   • 构建领域相关的知识图谱。
   • 根据用户问题的实体和关系，推荐相关问题。

4. 深度学习模型：

   • 训练一个深度学习模型来预测用户可能感兴趣的问题。
   • 使用用户问题作为输入，生成推荐问题。

5. 用户行为分析：

   • 分析其他用户在相似情况下的行为。
   • 利用协同过滤推荐类似问题

协同过滤是一种方法，因为我肯定需要很快，那我就可以用相似度来计算，物品过滤是计算问题的相似度，用户协同过滤是计算用户的相似度

上下文的话，就是在输入promt的时候，要记得把之前的也输入进去

3. Tensorflow是怎么并行加快效率的？

Tensorflow首先是基于张量流动的，会构建计算图流，每个节点是一个操作。

调度原则：存在依赖关系的节点或子节点之间串行执行，不存在依赖关系的任务节点或者子图之间并行执行。

具体说，tensorflow使用任务队列来解决依赖关系。他会分成多个子图，一个子图包括多个串行任务，不同子图之间并行。这些子图会放在队列里，每次GPU有计算节点时，拉出来一个子图进行执行

如果是多机分布式训练的话，会不太一样，多机的数据也是分布的，数据并行的方式来训练，每个任务的数据不同，然后产生的梯度再一起更新

4. 推荐系统的优化目标

对于大部分电商都是看点击率，但是视频网站会看播放时长，youtubu播放时长建模的方式是用分类代替回归，本身预测播放时长是回归做的事，但是他把播放时长转换成正样本的权重，输出层利用加权逻辑回归来训练，预测出一个概率，概率就是对播放时长的预测，e的wx+b次方

5. 用卷积算二阶导数进行边缘检测

使用拉普拉斯算子来检测边缘：