문제 출처 : [Programmers] [1차] 뉴스 클러스터링, https://programmers.co.kr/learn/courses/30/lessons/17677

👨‍🏫문제

여러 언론사에서 쏟아지는 뉴스, 특히 속보성 뉴스를 보면 비슷비슷한 제목의 기사가 많아 정작 필요한 기사를 찾기가 어렵다. Daum 뉴스의 개발 업무를 맡게 된 신입사원 튜브는 사용자들이 편리하게 다양한 뉴스를 찾아볼 수 있도록 문제점을 개선하는 업무를 맡게 되었다.

개발의 방향을 잡기 위해 튜브는 우선 최근 화제가 되고 있는 "카카오 신입 개발자 공채" 관련 기사를 검색해보았다.

• 카카오 첫 공채..'블라인드' 방식 채용
• 카카오, 합병 후 첫 공채.. 블라인드 전형으로 개발자 채용
• 카카오, 블라인드 전형으로 신입 개발자 공채
• 카카오 공채, 신입 개발자 코딩 능력만 본다
• 카카오, 신입 공채.. "코딩 실력만 본다"
• 카카오 "코딩 능력만으로 2018 신입 개발자 뽑는다"

기사의 제목을 기준으로 "블라인드 전형"에 주목하는 기사와 "코딩 테스트"에 주목하는 기사로 나뉘는 걸 발견했다. 튜브는 이들을 각각 묶어서 보여주면 카카오 공채 관련 기사를 찾아보는 사용자에게 유용할 듯싶었다.

유사한 기사를 묶는 기준을 정하기 위해서 논문과 자료를 조사하던 튜브는 "자카드 유사도"라는 방법을 찾아냈다.

자카드 유사도는 집합 간의 유사도를 검사하는 여러 방법 중의 하나로 알려져 있다. 두 집합 A, B 사이의 자카드 유사도 J(A, B)는 두 집합의 교집합 크기를 두 집합의 합집합 크기로 나눈 값으로 정의된다.

예를 들어 집합 A = {1, 2, 3}, 집합 B = {2, 3, 4}라고 할 때, 교집합 A ∩ B = {2, 3}, 합집합 A ∪ B = {1, 2, 3, 4}이 되므로, 집합 A, B 사이의 자카드 유사도 J(A, B) = 2/4 = 0.5가 된다. 집합 A와 집합 B가 모두 공집합일 경우에는 나눗셈이 정의되지 않으니 따로 J(A, B) = 1로 정의한다.

자카드 유사도는 원소의 중복을 허용하는 다중집합에 대해서 확장할 수 있다. 다중집합 A는 원소 "1"을 3개 가지고 있고, 다중집합 B는 원소 "1"을 5개 가지고 있다고 하자. 이 다중집합의 교집합 A ∩ B는 원소 "1"을 min(3, 5)인 3개, 합집합 A ∪ B는 원소 "1"을 max(3, 5)인 5개 가지게 된다. 다중집합 A = {1, 1, 2, 2, 3}, 다중집합 B = {1, 2, 2, 4, 5}라고 하면, 교집합 A ∩ B = {1, 2, 2}, 합집합 A ∪ B = {1, 1, 2, 2, 3, 4, 5}가 되므로, 자카드 유사도 J(A, B) = 3/7, 약 0.42가 된다.

이를 이용하여 문자열 사이의 유사도를 계산하는데 이용할 수 있다. 문자열 "FRANCE"와 "FRENCH"가 주어졌을 때, 이를 두 글자씩 끊어서 다중집합을 만들 수 있다. 각각 {FR, RA, AN, NC, CE}, {FR, RE, EN, NC, CH}가 되며, 교집합은 {FR, NC}, 합집합은 {FR, RA, AN, NC, CE, RE, EN, CH}가 되므로, 두 문자열 사이의 자카드 유사도 J("FRANCE", "FRENCH") = 2/8 = 0.25가 된다.

입력

• 입력으로는 str1과 str2의 두 문자열이 들어온다. 각 문자열의 길이는 2 이상, 1,000 이하이다.
• 입력으로 들어온 문자열은 두 글자씩 끊어서 다중집합의 원소로 만든다. 이때 영문자로 된 글자 쌍만 유효하고, 기타 공백이나 숫자, 특수 문자가 들어있는 경우는 그 글자 쌍을 버린다. 예를 들어 "ab+"가 입력으로 들어오면, "ab"만 다중집합의 원소로 삼고, "b+"는 버린다.
• 다중집합 원소 사이를 비교할 때, 대문자와 소문자의 차이는 무시한다. "AB"와 "Ab", "ab"는 같은 원소로 취급한다.

출력

입력으로 들어온 두 문자열의 자카드 유사도를 출력한다. 유사도 값은 0에서 1 사이의 실수이므로, 이를 다루기 쉽도록 65536을 곱한 후에 소수점 아래를 버리고 정수부만 출력한다.

예제 입/출력

💻코드

import java.util.ArrayList;

class Solution {
    public int solution(String str1, String str2) {
        int answer = 65536;
        ArrayList<String> list1 = new ArrayList<>();
        ArrayList<String> list2 = new ArrayList<>();
        
        // 문자열을 모두 대문자로 변경하고, 알파벳 이외의 모든 문자를 "/"로 바꾼다.
        str1 = str1.toUpperCase().replaceAll("[^A-Z]", "/");
        str2 = str2.toUpperCase().replaceAll("[^A-Z]", "/");
        
        // 각 문자열을 2개 단위의 문자열로 쪼개고, "/"가 포함되어있지 않다면 list에 추가
        for(int i = 0; i < str1.length() - 1; i++){
            String temp = str1.substring(i, i + 2);
            
            if(!temp.contains("/")){
                list1.add(temp);
            }
        }
        
        for(int i = 0; i < str2.length() - 1; i++){
            String temp = str2.substring(i, i + 2);
            
            if(!temp.contains("/")){
                list2.add(temp);
            }
        }
		
        // 교집합의 원소 개수
        float intsec = intersection(list1, list2);
        
        // 중복을 허용하는 합집합이므로 집합의 원소 개수를 더한 뒤, 교집합의 원소 개수만큼 빼준다.
        float union = list1.size() + list2.size() - intsec;
        
        if(intsec != 0){
            answer = (int) ((intsec / union) * 65536);
        }else if(union != 0){
            answer = 0;
        }
        
        return answer;
    }
    
    // 두 list의 교집합의 원소 개수를 반환하는 함수
    public int intersection(ArrayList<String> list1, ArrayList<String> list2){
        int count = 0;
        ArrayList<String> temp = new ArrayList<>();
        
        // 원본 list의 훼손을 막기 위한 임시 list
        temp.addAll(list2);
        
        for(int i = 0; i < list1.size(); i++){
            String str = list1.get(i);
            
            if(temp.contains(str)){
                count++;
                temp.remove(str);
            }
        }
        
        return count;
    }
}

💡후기

교집합, 합집합 이라는 단어를 보자마자 '오! HashSet 구조, retainAll(), addAll() 메서드 쓰면 쉽게 풀겠네!' 라고 생각했었는데, 역시나 만만할리가 없었다!😅

교집합과 합집합 모두 중복을 허용해서 HashSet의 사용을 막고, 교집합은 거기에 원소의 개수도 따지기 때문에 retainAll() 메서드의 사용을 막아놨다 ㅎㅎ;

그리고 각 알파벳 사이에 숫자나 특수문자가 끼워져 있어서, 모든 list의 크기가 0이 되는 경우를 고려하지 않고 있다가 예외처리를 하는데 10분 정도 걸린 것 같다..

앞으로는 히든 케이스도 고려하면서 문제를 풀 수 있도록 노력하자!😠