问一个算法题目，如何求字符串集合中全部公共字串的情况

[iblislsy]

场景：

先把实际情况说一下，数据量在 9000w 行，每行都是“一个字符串+一个种类”，字符串长度平均在 1000 位左右

1.字符串类似'abcdefg','aabbcc','aabcc'，没有实际英语含义。

2.每个字符串都有一个种类， 'dog','cat,'car', 一共 10 种种类。

3.显然数据集的大小是 9000w 行 × 2 列 的 dataframe

目标：

1.想观察出同一个种类的字符串有没有共性，由于字符串没有实际的英语含义，所以我的初步想法是通过最长字串的匹配情况来计算相似度，总结出每个种类下字符串的规则。当新的字符串出现时，我能够通过之前的规则来分类。

期望：

1.不管是算法层面的，机器学习，深度学习，还是 es 这样引擎方面的，希望能和大家讨论讨论可行的方案

2.子串的复杂度有点高...还没有好的思路，想了很久，自闭了。

3.如果我没有表述清楚问题，请指出

[akira]

如果字符串是摘要算法产生的，那就有难度了....

[shylockhg]

字符串 hash 画分布图

[shylockhg]

映射到向量空间算距离

[pwrliang]

AC 自动机不就是解决多个串找字串的吗

[111qqz]

目标部分没有看懂，按照题目来说，我理解的是，有一个字符串集合 S，然后求 S 中所有字符串的（最长）公共子串？

[iblislsy]

@111qqz 不是“最长”子串，是“全部”子串的情况，来总结特征

[leriou]

还是用空间向量计算相似度吧

[ytterbium]

先用最裸的 lstm 做下分类，要是分类正确率还是随机水平那就说明类别与字串无关

[iblislsy]

@111qqz 最长的子串是其中一种特征，我希望能找到更多的特征

[iblislsy]

@leriou 相似度能体现在 abcdefg 的这种字符串顺序上吗，我也不清楚

[leriou]

@iblislsy 跟顺序没关系, 空间向量是用文本在多个词维度上的夹角计算的, es 也是用这个来计算文档相似度的

[xiyiailoli]

kmp ？

[ccpp132]

先找一个较短的字符串，把它所有子串弄出来。然后拿这些串对剩下的字符串做多模匹配，统计每个子串出现的次数看是否等于总字符串数目

[iblislsy]

@leriou 我以前试过余弦距离去计算相似度，效果不好

[lihanfeifan]

有没有试过前缀树？