解题思路

本题需要从带有情感标签的文本反馈中，计算每个单词的关联度得分 $S$ （卡方统计量），并输出得分最高的前 $k$ 个单词。具体算法步骤如下：

输入读取与校验
首先读取文档总数 $N$ ，接着读取接下来的 $N$ 行数据（每行为一个制表符分隔的标签和文本），最后读取一个整数 $k$ 。
如果行数不足、标签既不是 positive 也不是 negative，或者最后一行无法解析为整数，则判定输入格式错误，输出 $-1$ 并终止。
构建词袋模型并统计频数

题目内容

你正在分析一份用户反馈数据集，其中每一条反馈都被标记为 'positive' 或 'negative' 两种情感倾向。为了找出与情感倾向相关性最强的词汇，你需要设计一个统计指标来量化每个单词的区分能力。

具体做法如下：

将每段反馈用词袋模型表示，即只关注每个单词是否出现（同一反馈中相同单词只计一次），且大小写字母视为不同。
对于每一个在至少一条反馈中出现过的单词，统计它在 'positive' 类与 'negative' 类中分别出现的反馈数量，并由此构建一个 $2 \times 2$ 的频数表。
根据频数表计算该单词的关联度得分 $S$ 。设 $A$ 为 'positive' 类包含该单词的反馈数， $B$ 为 'negative' 类包含该单词的反馈数； $C$ 为 'positive' 类不包含该单词的反馈数， $D$ 为 'negative' 类不包含该单词的反馈数。总反馈数记为 $N$ ，'positive' 类总数记为 $n_p$ ，'negative' 类总数记为 $n_n$ 。则四个单元格的期望频数分别为：

E_{11} = \frac{(A+B) \times n_p}{N}, \quad E_{12} = \frac{(A+B) \times n_n}{N}, \quad E_{21} = \frac{(C+D) \times n_p}{N}, \quad E_{22} = \frac{(C+D) \times n_n}{N}

关联度得分定义为

S = \sum_{i=1}^{2} \sum_{j=1}^{2} \frac{(O_{ij} - E_{ij})^2}{E_{ij}}

选择提交后点击「开始AI分析」