如何提取具有一定数量的常见子节点的节点组

Question

我正在解决测验并需要一些建议。

测验的总结如下：

书签服务的Analayze数据（如美味，Digg ...），并提取其具有两个以上的常用标记组网址。

1. 每个书签数据包含1）user-id，2）url和3）一组标签。
2. 与所有网址相比，所有标签的尺寸相对较小。即人们设置了有限的书签网站
3. 分配给某个网址的所有标记都不相同
4. 如果不同用户为同一个网址添加了书签，则不应将其设置为无效（但这是可选条件。可以忽略USER_ID并假设所有的URL是不同的）

例：

siteA - [tag1, tag2, tag3] 
siteB - [tag1, tag2, tag4] 
siteC - [tag1, tag3, tag5] 
siteD - [tag1, tag2, tag6] 

以下两组URL会是结果

(siteA, siteB, siteD), (siteA, siteC) 

因为（站点A，站点B，选址）共享两个共同的标签（标签1，标签2）和（站点A，思泰科）也有着两个共同的标签（标签1，标签3）。

- conditon 3,4和一个例子添加。谢谢@ btilly。

我的问题是

1. 如何可以解决（或算法可以应用），特别是快？
2. 是否有任何类型的代表性问题，可以通过类似的算法解决这个问题？

Answer 1

我会创建一个新的数据结构，这是通过标记，具有该标记的URL的散列。

然后，对于每一对标签，你可以采取一个较少的URL，通过它们，并做一个查找，看看它是否在另一个，生成共享这对标签的组。

如果你有n标签，平均每个标签m的网址，它会采取O(n * m)生成新的数据结构，并O(n * n * m)生成组。