| 這個作業屬於哪個課程 | https://edu.cnblogs.com/campus/gdgy/SoftwareEngineering2024/ |
|---|---|
| 這個作業要求在哪裡 | https://edu.cnblogs.com/campus/gdgy/SoftwareEngineering2024/homework/13136 |
| 這個作業的目標 | 熟悉個人軟體開發流程、熟悉各類工具的使用，學會用工具評估程式質量並最佳化程式 |
github連結：https://github.com/w0coder/3122004625
設計與實現：
程式總共分為兩個部分，讀取資料和計算相似度。本次採用的是基於詞頻統計的餘弦相似度的演算法，所用語言為C++。
這兩個部分可以分出來3個函式：
讀取檔案的函式、統計詞頻的函式、計算餘弦相似度的函式。
讀取檔案的函式直接用cpp的檔案讀寫流讀取。
統計詞頻則需要維護一個雜湊表，其中以詞為鍵，出現的次數為值，中文的詞並不容易區分，所有直接計算每個字的個數，而英文的詞則可以簡單的用相連的字母粗略的表示一個詞。
計算餘弦相似度則利詞字頻統計函式得出的兩張雜湊表進行計算，遍歷兩張雜湊表，更具所組成的詞頻向量，計算它們的點積。
效能改進：
從下圖可以看出，效能主要消耗在詞頻統計時雜湊表的維護，其中主要是雜湊表的插入和查詢消耗大。
而基於詞頻的演算法本身就需要遍歷所有的字詞，統計時必然開銷較大，暫時沒想到最佳化方法。
開銷最大的函式：
單元測試展示：
計算部分的測試：
透過兩個字串，模擬文字輸入的資訊，選擇不同的字串進行統計詞頻和計算相似度的操作。
用例構造：測試邊緣的計算-最左邊最右邊為特殊符號或中文或英文或數字的字串；同樣的詞順序調換，測試結果是否和理論符合；部分刪減的測試；部分字詞（不包括英文符號）替換的測試；(測試用例在該函式前的註釋中)
樣例測試結果：
綜合測試直接在cmd中輸入引數，依據 exe檔案絕對路徑 原文檔案絕對路徑 其他檔案絕對路徑 輸出檔案絕對路徑 的格式輸入相關引數。
部分引數取自儲存到TestTxt\MyTxt檔案中的文字檔案，該資料夾中的檔案是從B站同一up主的不同圖文中複製貼上的，其中測試了同一片文章自己比較，不同文章一一比較的結果，並寫入了同資料夾中的ans.txt檔案中，相似度如下：
部分引數取自儲存到TestTxt\MyTxt_01檔案中的文字檔案，該資料夾中的文字隨機取自B站上的圖文，輸出結果在同目錄的ans.txt檔案中，相似度如下：
異常處理說明：
當輸入的檔案絕對路徑不正確時，報錯並結束程式。
計算餘弦相似度時，向量的模的平方過大時可能會溢位，計算時採用double，溢位後並未處理。
檔案過大，字數過多時，未處理。
檔案編碼格式不相容時，未處理。
附錄：
| PSP2.1 | Personal Software Process Stages | 預估耗時（分鐘） | 實際耗時（分鐘） |
|---|---|---|---|
| Planning | 計劃 | 40 | 60 |
| · Estimate | · 估計這個任務需要多少時間 | 40 | 60 |
| Development | 開發 | 990 | 705 |
| · Analysis | · 需求分析 (包括學習新技術) | 240 | 180 |
| · Design Spec | · 生成設計文件 | 60 | 40 |
| · Design Review | · 設計複審 | 30 | 20 |
| · Coding Standard | · 程式碼規範 (為目前的開發制定合適的規範) | 30 | 15 |
| · Design | · 具體設計 | 90 | 60 |
| · Coding | · 具體編碼 | 240 | 270 |
| · Code Review | · 程式碼複審 | 60 | 30 |
| · Test | · 測試（自我測試，修改程式碼，提交修改） | 120 | 90 |
| Reporting | 報告 | 150 | 130 |
| · Test Repor | · 測試報告 | 60 | 70 |
| · Size Measurement | · 計算工作量 | 45 | 30 |
| · Postmortem & Process Improvement Plan | · 事後總結, 並提出過程改進計劃 | 45 | 30 |
| · 合計 | 1060 | 895 |