查找哈希集中每個單詞在文本文檔中出現的次數

Question

我正在用Java實現Naive Bayes文本分類算法。

到目前為止，我所做的是聲明一個名為Vocabulary的哈希集，該哈希集存儲給定文本文件（測試文件）中的所有唯一單詞。

算法中的步驟之一是將測試文件的所有成員連接到單個文本文件中。 事實證明，這是一個相當大的文件，其中包含每個文件中的文字。

現在，我必須用連接的文本文件計算詞匯表中每個單詞的出現次數。 我的第一個猜測是保留一種包含每個單詞的頻率的數組結構。 但是話又說回來，我將有太多的條目。

有人可以給我更好的建議嗎？

Answer 1

使用字典（HashMap），其中單詞是鍵，值是出現的次數。 如果HashSet適合內存，則HashMap也應如此。

Answer 2

您可以嘗試使用Tries，並且葉節點可以存儲單詞的頻率。