D. Unnatural Language Processing

2023-12-29 23:04

本文主要是介绍D. Unnatural Language Processing,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

题目:
D. Unnatural Language Processing
每次测试的时间限制1秒钟
每次测试的内存限制256兆字节
投入标准输入
输出标准输出
露拉觉得很无聊,决定用这五个字母创造一种简单的语言a, b, c, d, e。有两种类型的信件:

元音—信件a和e。他们由以下人员代表V.
辅音—信件b, c,以及d。他们由以下人员代表C.
有两种类型音节在语言中:CV(辅音后跟元音)或CVC(元音前后带辅音)。举个例子,ba, ced, bab是音节,但是aa, eda, baba不是。
A 单词在语言中是一系列音节。Lura在语言中写了一个单词,但她不知道如何将其拆分为音节。帮助她把单词分解成音节。

例如,给定单词bacedbab,它将被拆分成音节,如ba.ced.bab(圆点.代表音节边界)。

投入
输入由多个测试用例组成。第一行包含一个整数t (1≤t≤100)—测试用例的数量。测试用例的描述如下。

每个测试用例的第一行包含一个整数n (1≤n≤2⋅105)—单词的长度。

每个测试用例的第二行包含一个字符串,由n小写拉丁字符—单词。

给出的所有单词都是语言中的有效单词;也就是说,他们只使用字母a, b, c, d, e,每个单词由几个音节组成。

的总和n所有测试案例不超过2⋅105.

输出
对于测试用例,输出一个字符串,表示通过插入一个点将单词分成音节.每对相邻音节之间。

如果有多个可能的分割,输出其中任何一个。输入以这样的方式给出,即至少存在一种可能的分裂。

例子
投入复制
6
8
bacedbab
4
baba
13
daddecabeddad
3
dac
6
dacdac
22
dababbabababbabbababba
输出复制
ba.ced.bab
ba.ba
dad.de.ca.bed.dad
dac
dac.dac
da.bab.ba.ba.bab.bab.ba.bab.ba
思路:
每次遇见V后要看V后面有连着有几个C,如果只有一个C说明是CV结构的,如果有两个C说明是CVC结构的,最后一个单词单独判定。
代码:

#include<bits/stdc++.h>
using namespace std;
#define IOS ios::sync_with_stdio(0), cin.tie(0), cout.tie(0)
int main()
{IOS;int n;cin >> n;while (n--){int t;cin >> t;string arr(t+2, 0);//储存字符string wwr(t+2, 0);//将字符转化为C,Vstring ans = "";for (int i = 0; i < t; i++){cin >> arr[i];if (arr[i] == 'a' || arr[i] == 'e')wwr[i] += 'v';elsewwr[i] += 'c';}for (int i = 0; i < t; i++){ans += arr[i];if (wwr[i] == 'c' && i == t - 3)//判断最后一个单词CVC结构{ans += arr[i + 1];ans += arr[i + 2];break;}else if (wwr[i] == 'c' && i == t - 2)//判断最后一个单词是否为CV结构{ans += arr[i + 1];break;}else if (wwr[i] == 'v'){if (wwr[i + 2] == 'c'){ans += arr[i + 1];ans += '.';i++;}else{ans += '.';}}}cout << ans << endl;}return 0;
}

这篇关于D. Unnatural Language Processing的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/550985

相关文章

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

论文翻译:ICLR-2024 PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS

PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS https://openreview.net/forum?id=KS8mIvetg2 验证测试集污染在黑盒语言模型中 文章目录 验证测试集污染在黑盒语言模型中摘要1 引言 摘要 大型语言模型是在大量互联网数据上训练的,这引发了人们的担忧和猜测,即它们可能已

UML- 统一建模语言(Unified Modeling Language)创建项目的序列图及类图

陈科肇 ============= 1.主要模型 在UML系统开发中有三个主要的模型: 功能模型:从用户的角度展示系统的功能,包括用例图。 对象模型:采用对象、属性、操作、关联等概念展示系统的结构和基础,包括类图、对象图、包图。 动态模型:展现系统的内部行为。 包括序列图、活动图、状态图。 因为要创建个人空间项目并不是一个很大的项目,我这里只须关注两种图的创建就可以了,而在开始创建UML图

速通GPT-3:Language Models are Few-Shot Learners全文解读

文章目录 论文实验总览1. 任务设置与测试策略2. 任务类别3. 关键实验结果4. 数据污染与实验局限性5. 总结与贡献 Abstract1. 概括2. 具体分析3. 摘要全文翻译4. 为什么不需要梯度更新或微调⭐ Introduction1. 概括2. 具体分析3. 进一步分析 Approach1. 概括2. 具体分析3. 进一步分析 Results1. 概括2. 具体分析2.1 语言模型

2024年 Biomedical Signal Processing and Control 期刊投稿经验最新分享

期刊介绍 《Biomedical Signal Processing and Control 》期刊旨在为临床医学和生物科学中信号和图像的测量和分析研究提供一个跨学科的国际论坛。重点放在处理在临床诊断,患者监测和管理中使用的方法和设备的实际,应用为主导的研究的贡献。 生物医学信号处理和控制反映了这些方法在工程和临床科学的界面上被使用和发展的主要领域。期刊的范围包括相关的评论论文(review p

[论文笔记]Making Large Language Models A Better Foundation For Dense Retrieval

引言 今天带来北京智源研究院(BAAI)团队带来的一篇关于如何微调LLM变成密集检索器的论文笔记——Making Large Language Models A Better Foundation For Dense Retrieval。 为了简单,下文中以翻译的口吻记录,比如替换"作者"为"我们"。 密集检索需要学习具有区分性的文本嵌入,以表示查询和文档之间的语义关系。考虑到大语言模

oracle startup失败,ORA-01078: failure in processing system parameters

SQL> startup ORA-01078: failure in processing system parameters LRM-00109: could not open parameter file '/data/oracle/product/11.2.0/db_1/dbs/initorc1.ora'   出错的原因可能是:文件名字不正确,文件权限不对,文件不存在,文件损坏 下面以文

Fourier TransformHilbert TransformRelated Function's MATLAB Simulation in Signal Processing

Fourier Transform:对于平稳信号有着明确的物理意义,频域反应各频率成分,可用于滤除高频噪声分量Hilbert  Transform:平稳信号分析,在信号分析和贷通信号中,理论和实用价值,SSB Walsh-Hadamand Transform:基于非正弦正交基的信号变换 ---First Of ALL---在数学与

教育LLM—大型教育语言模型: 调查,原文阅读:Large Language Models for Education: A Survey

Large Language Models for Education: A Survey 大型教育语言模型: 调查 paper: https://arxiv.org/abs/2405.13001 文章目录~ 原文阅读Abstract1 Introduction2 Characteristics of LLM in Education2.1.Characteristics of LLM

《Efficient Batch Processing for Multiple Keyword Queries on Graph Data》——论文笔记

ABSTRACT 目前的关键词查询只关注单个查询。对于查询系统来说,短时间内会接受大批量的关键词查询,往往不同查询包含相同的关键词。 因此本文研究图数据多关键词查询的批处理。为多查询和单个查询找到最优查询计划都是非常复杂的。我们首先提出两个启发式的方法使关键词的重叠最大并优先处理规模小的关键词。然后设计了一个同时考虑了数据统计信息和搜索语义的基于cardinality的成本估计模型。 1.