KMP算法、next数组代码 JS

KMP算法用于解决字符串匹配的问题。

举例:aabaabaaf,模式串 aabaaf,想知道在这个文本串中是否出现了这个模式串文本串

暴力法是双重for循环,时间复杂度O(mn) ,m是文本串长度 n是模式串长度

  • KMP如何解决?

得到前缀表

前缀表:模式串最长相等前后缀
前缀:包含首字母,不包含尾字母的所有子串(a, aa, aab, aaba, aabaa)
后缀:包含尾字母,不包含首字母的所有子串(f, af, aaf, baaf, abaaf)
最长相等前后缀( 实则是长度

a 没有前缀,也没有后缀,所以它的最长相等前后缀 = 0
aa : 1(前缀a 后缀a)
aab: 0 (前缀a aa  后缀 b ab)
aaba: 1 (前缀a、aa、aab  后缀 a、ba、aba)
aabaa : 2(前缀a、aa、aab、aaba  后缀 a、aa、baa、abaa)
aabaaf: 0

010120就是我们模式串的前缀表 

a a b a a f
0 1 0 1 2 0

找到这个模式串aabaaf,每个位置的子串[0,i]的最长相等前后缀

用前缀表匹配

找到冲突位置 前面一个字符串 的最长相等前后缀 是多少
在这里插入图片描述

next数组

next数组告诉我们遇到冲突之后回退到哪里

next数组有很多种实现方式,比如①next数组就是前缀表②前缀表整体右移(-1 0 1 0 1 2)③整体减一(-1 0 -1 0 1 -1)

代码随想录中采用①

next数组具体代码实现JS

求字符串s的next数组

理解不了就背吧。。。。。。。。

思路:
初始化
要处理前后缀不同的情况 & 处理前后缀相同的情况。

  • 初始化:
    next数组长度和模式串一样
    j指向前缀末尾位置,i指向后缀末尾位置
    j其实还表示 i 之前(包括i)子串的最长相等前后缀长度
    i 初始化:从1开始

  • 前后缀不同的情况:回退直到前后缀相同 所以要用while
    在这里插入图片描述

  • 前后缀相同的情况:j++; next[i] = j;

每一次循环,都更新下标 i 的next数组

const getNext = (s) => {
    const next = new Array(s.length).fill(0);
    next[0] = 0;
    let j = 0;
    for(let i = 1; i < s.length; i++) {
        while(j > 0 && s[i] !== s[j]) {
            j = next[j - 1];
        }

        if(s[i] === s[j]) {
            j++;
        }

        next[i] = j;
    }
    return next;
}

有了next怎么使用next?

  • 以力扣 28题为例
/**
 * @param {string} haystack
 * @param {string} needle
 * @return {number}
 */

const findnext = (s) => {
    const next = new Array(s.length).fill(0);
    next[0] = 0;
    let j = 0;
    for(let i = 1; i < next.length; i++) {
        // if(s[i] !== s[j]) {
        while(j > 0 && s[i] !== s[j]) {
            j = next[j-1];
        }
        // }
        if(s[i] === s[j]) {
            j++;
        }
        next[i] = j;
    }
    return next;
}
var strStr = function(haystack, needle) {
   const next = findnext(needle);
   let j = 0;
   for(let i = 0; i < haystack.length; i++) {
    while(j > 0 && haystack[i] !== needle[j]) {
        j = next[j-1];
    }
    if(haystack[i] === needle[j]) {
        j++;
    }
    if(j === needle.length) {
        return (i - needle.length + 1);
    }
   }
   return -1;
};

在这里插入图片描述

参考资料

代码随想录 BV1PD4y1o7nd
https://www.bilibili.com/video/BV1PD4y1o7nd/?vd_source=ceab44fb5c1365a19cb488ab650bab03

### LlamaIndex 多模态 RAG 实现 LlamaIndex 支持多种数据类型的接入与处理,这使得它成为构建多模态检索增强生成(RAG)系统的理想选择[^1]。为了实现这一目标,LlamaIndex 结合了不同种类的数据连接器、索引机制以及强大的查询引擎。 #### 数据连接器支持多样化输入源 对于多模态数据的支持始于数据收集阶段。LlamaIndex 的数据连接器可以从多个异构资源中提取信息,包括但不限于APIs、PDF文档、SQL数据库等。这意味着无论是文本还是多媒体文件中的内容都可以被纳入到后续的分析流程之中。 #### 统一化的中间表示形式 一旦获取到了原始资料之后,下一步就是创建统一而高效的内部表达方式——即所谓的“中间表示”。这种转换不仅简化了下游任务的操作难度,同时也提高了整个系统的性能表现。尤其当面对复杂场景下的混合型数据集时,良好的设计尤为关键。 #### 查询引擎助力跨媒体理解能力 借助于内置的强大搜索引擎组件,用户可以通过自然语言提问的形式轻松获得所需答案;而对于更复杂的交互需求,则提供了专门定制版聊天机器人服务作为补充选项之一。更重要的是,在这里实现了真正的语义级关联匹配逻辑,从而让计算机具备了一定程度上的‘认知’功能去理解和回应人类意图背后所蕴含的意义所在。 #### 应用实例展示 考虑到实际应用场景的需求多样性,下面给出一段Python代码示例来说明如何利用LlamaIndex搭建一个多模态RAG系统: ```python from llama_index import GPTSimpleVectorIndex, SimpleDirectoryReader, LLMPredictor, PromptHelper, ServiceContext from langchain.llms.base import BaseLLM import os def create_multi_modal_rag_system(): documents = SimpleDirectoryReader(input_dir='./data').load_data() llm_predictor = LLMPredictor(llm=BaseLLM()) # 假设已经定义好了具体的大型预训练模型 service_context = ServiceContext.from_defaults( chunk_size_limit=None, prompt_helper=PromptHelper(max_input_size=-1), llm_predictor=llm_predictor ) index = GPTSimpleVectorIndex(documents, service_context=service_context) query_engine = index.as_query_engine(similarity_top_k=2) response = query_engine.query("请描述一下图片里的人物表情特征") print(response) ``` 此段脚本展示了从加载本地目录下各类格式文件开始直到最终完成一次基于相似度排序后的top-k条目返回全过程。值得注意的是,“query”方法接收字符串参数代表使用者想要询问的内容,而在后台则会自动调用相应的解析模块并结合先前准备好的知识库来进行推理计算得出结论。
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