Code in

아이랑 프로젝트 (2) GPT3, Magenta js로 사용하기

heyhmin — Sat, 15 May 2021 15:31:32 +0900

프로젝트 소개

아이랑 프로젝트는 AI의 창작능력과 관련한 산학 프로젝트이다.

AI의 발전에 따라 그 창작능력에 대한 연구가 많은 곳에서 진행되어왔다.

과연 AI는 인간과 비슷한 창작능력을 가질 수 있을까?

우리 팀에서는 이에 대한 해답으로 아이랑 프로젝트, AI로 동요 작사작곡하기 를 진행하고 있다.

작사에는 가장 성능이 좋다고 판단한 GPT-3를 사용하였고,

작곡에는 구글의 Magenta 프로젝트의 chord-pitches-improv를 사용하였다.

Magenta는 LSTM(RNN)을 사용한다.

Cell-state가 있고, 이를 반복적으로 업데이트 하는 것이다.

GPT-3는 In-context learning을 하는 meta learning을 진행하였다.

zero-shot, one-shot, few-shot의 방식을 확인했다고 한다.

zero-shot : Task-description + prompt

one-shot : Task-description + example + prompt

few-shot : Task-description + examples + prompts

해당 Figure는 GPT-3 논문에서 확인할 수 있다.

현재 진행상황

지난 학기와 겨울방학까지 작사, 작곡에 대한 연구를 마무리하였다.

작사의 경우 Few shot learning을 사용하기 위해 prompt에 theme 문장과 예시들을 사용하기로 하였다.

( task description + examples + prompt )

작사의 validation을 위해서는 표절률을 사용하기로 하였다.

이 때, 표절률을 낮추기 위해서 frequency penalty를 주기로 하였다.

frequency penalty는 반복되는 단어가 나오는 것에 대한 패널티(부정적인 값)을 부과하여 표절을 방지하는 것이다.

패널티는 가능한 단어들의 숫자를 줄이기 때문에 temperature를 높이는 것과 유사한 효과를 보인다.

하여 temperature를 0.5 정도로 낮추기로 하였다.

frequencyPenalty와 temperature를 확인할 수 있다.

프로젝트에서 작사 연구를 하며 얻은 GPT-3의 동요 작사 결과이다.

꽃이 피어오면
흰눈이 내리는 봄빛처럼
너를 사랑해

피어나는 봄빛이
사람들을 사로잡아
웃음꽃이 피고 있어요

아침이 오면 꽃이 피어오고 뻗은 꽃은
언제나 이렇게 아침을 축하하고 싶어

꽃이 움직여 봄빛이 나는 아침에
꽃이 들어와 웃고 있는 아침
봄꽃이 피는 밤 햇살이 가득한 아침에

구름에 사는 봄빛이
흘러내리는 골짜기에
꽃이 피어오르고

꽃이 소리쳐 노래하는 밤
하늘 위에 피는 별처럼
미소를 걸고 있는 꽃망울

내게 전해요

작사 결과물은 정말 놀랍다.

굉장히 시적이고 아름다운 문장들을 AI, GPT-3가 생성할 수 있음을 알 수 있다.

작곡에 대한 연구는 다른 분들이 진행해주셨고,

최종적으로 chord-pitches-improv를 사용하고 16 stepe per chord, 기존 동요들의 chords을 사용하기로 하였다.

작곡 결과물의 악보 변환 이미지 1

작곡 결과물의 악보 변환 이미지 2

작곡 결과물의 악보 변환 이미지 3

처음에는 작사와 작곡의 연동을 진행하고자 했다.

이를 위해 각각의 결과들을 비교하였고, 작곡의 steps과 작사의 max_tokens의 연관성을 파악하였다.

: steps / 5 * 3 = max_tokens

완전히 일치하지는 않지만 해당 수식을 적용하면 적절한 길이를 얻어 연동을 진행할 수 있다.

실제 구현 시에는 각각을 연동하지 않고 따로 보여주기로 하였다.

기술내용

이번 학기에 주로 진행한 웹페이지에 기능 구현을 하는 방법에 대해 설명하고자 한다.

GPT-3는 웹페이지에 어떻게 구현할 수 있을까?

이는 openAI 웹페이지의 document를 보면 알 수 있다. (developer-quickstart/community-libraries)

Javascript/Node를 사용하는 것을 미리 구현해 놓은 것들이 있으니 이를 사용하여 쉽게 진행할 수 있다.

참고로 구현되어 있는 것들을 사용하지 않아도,

GPT-3 url에 complete(response)를 요청하면 되는 것이기 때문에 쉽게 GPT-3를 사용할 수 있다.

우리는 openai-api를 사용하기로 했다.

진행 순서는 다음과 같다.

[서버]

1. API_KEY ( openAI에 신청하여 받을 수 있다 ) 를 입력하여 연결을 진행한다.

2. 자바스크립트의 async를 사용하여 GPT-3의 결과값을 받는다.

3. 결과값의 불필요한 단어들을 삭제한다.

4. 최종 결과를 시간데이터를 제목에 담고 있는 파일로 저장한다.

5. 원하는 파일(들)을 가상 주소로 보내서 출력한다.

이 때, 미리 동요와 관련된 prompts를 정리하여 2번에 사용하였다.

[프론트]

1. 원하는 파일(들)을 가상 주소에서 받아온다.

2. 적절한 div에 출력한다.

Magenta는 웹페이지에 어떻게 구현할 수 있을까?

일단 마젠타 공식페이지의 블로그 글들을 읽자.

https://magenta.tensorflow.org/js-announce

우리가 이미 연구한 방식을 적절히 응용할 수 있는 코드 펜을 사용하기로 했다.

"Mindless Improv"를 직접 에러없이 사용한 다음, 해당 코드들을 우리가 원하는 방식으로 바꾼다.

로컬에서 실행이 잘 되지 않아 다른 깃허브를 참고하여 많은 api들을 추가로 사용하였다.

실행방법

GPT3 - 코드 설명, 결과

[서버]

먼저, GPT-3을 저장할 폴더를 만들어보자

이처럼 openai라는 이름의 폴더를 만들었다.

가장 쉬운 prompts set을 만들어 보자. prompt.js 파일을 openai 폴더 내부에 생성한다.

theme 문장을 입력하고, 동요 가사들을 키워드인 input과 세부가사 output으로 나누어 입력한다.

매번 다른 prompts를 사용할 수 있도록 random 함수도 사용한다.

export 를 사용하여 최종 prompts를 받을 수 있는 함수를 다른 파일에서 사용할 수 있도록 한다.

prompt.js 전체 코드는 깃허브에서 확인할 수 있다!

다음으로 get.lyrics.js 파일을 생성한다. 이 파일에서는 실제 결과물 얻어 저장할 것이다.

저장을 위해 미리 lyricResult 폴더를 만든다.

get.lyrics.js에서는

파일저장을 위한 fs, prompts를 받아오는 selectedPrompts, AI결과를 받아오는 apenai-api가 필요하다.

이후 API KEY를 입력하도록 한다. (openAI 홈페이지 에서 확인할 수 있다.)

API KEY를 사용하여 OpenAI를 생성한다.

GPT-3에 결과물을 요청한다! 미리 연구한 파라미터들과 함께 prompt를 넘겨준다.

생성된 결과물을 저장한다. 저장하기 전에 결과물에 들어있는 불필요한 값들을 제거해준다.

파일을 생성할 때 파일 이름으로 날짜와 시간값을 사용한다.

Max token 값은 180 ~ 220으로 하였다. 한글 기준으로 대략 3 token이 1개의 글자를 생성한다.

이후에는 필요하면 export를 사용하여 결과물을 넘겨줄 수 있다.

하지만 파일 저장을 했으니 파일을 읽어보자.

read.file.js를 생성한다.

파일을 읽기 위해 path, fs를 불러온다.

경로를 미리 설정한다.

그리고 해당 폴더에 있는 파일들의 이름을 모두 읽어온다.

가장 최근에 생성된 파일의 이름은 쉽게 얻을 수 있다.

각 파일들의 내용을 저장한다.

파일들의 이름과 내용을 합쳐서 반환해보자.

lyric 구조를 먼저 생성한다.

각 파일들의 이름과 내용을 함께 저장한다.

export 할 때 모든 variables를 반환할 수 있지만, 구현 방법에 따라 몇 가지만 사용할 가능성이 높다.

모든 variables를 반환한다. 주로 allLyric, recentLyric을 사용할 것이기 때문에 그 외의 것들은 제외하여도 좋다.

이후 라우팅을 진행할 때 각 값을 전달할 수 있다.

[프론트]

이제 API_URL에서 전달된 allLyric 혹은 recentLyric을 읽어보자.

이처럼 리액트에서 axios를 사용하여 /api/test/all에 출력된 allLyric 혹은 recentLyric을 읽을 수 있다.

하나의 가사 파일을 읽을 때는 title, content로 받을 수 있고

여러 가사 파일들을 읽을 때는 list와 loading boolean 값을 사용해야 한다.

읽은 값으로 setState를 진행한다.

사용할 때는 각각 다음처럼 사용할 수 있다.

이러한 방식을 잘 활용할 수 있는 웹페이지를 디자인하여 사용해보자!

현재 우리 프로젝트는 웹 UI를 더 수정해야 한다...

Magenta - 코드 설명, 결과

앞서 소개한 마젠타 블로그와 깃허브의 script 목록을 사용하여 기본 구조를 갖춘다.

동요 코드들을 정리한다.

랜덤하게 chords를 받을 수 있도록 랜덤 함수를 만들어 놓는다.

버튼을 누를때마다 chords를 갱신할 수 있도록 한다.

선택된 코드 구성을 따를 수 있도록 for문을 돌린다.

이렇게 하면 미리 정의한 동요 코드들과 같게 구성된 AI의 작곡 내용을 들을 수 있다.

현재 상태로 웹페이지의 기능 구현을 마무리할 경우, 저장이 안되는 것이 아쉬울 것이다.

하여 현재 기능 구현이 대략적으로 완료되었으나

더 사용자 친화적으로 하고자 결과물 저장 및 악기 변경을 진행하고 있다.

관련 깃허브 소개 - 실행방법, 결과

앞서 Magenta와 관련되어 언급했던 참고한 깃허브이다.

https://github.com/loganstillings/MelodyGenerator

깃 클론을 한 다음, npm install, start를 진행하여 사용할 수 있다.

실행하면 피아노가 나오고, 건반을 꾹 누르고 있으면 AI가 생성한 곡을 들을 수 있다.

이외에도 마젠타에서 제공하는 web demo들을 사용할 수 있는데, npm serve를 사용해야 할 수 도 있다.

package.json의 scripts를 잘 확인하고 실행하자.

마무리

동요 작사작곡이라는 주제이기 때문에 작사의 Prompt, 작곡의 chords를 동요 데이터에서 가져왔다.

편안한 코드chord 진행의 곡들을 들으면서,

그리고 시적인 작사 결과를 확인하면서 프로젝트를 할 수 있어서 좋다.

주제를 정말 잘 정한 것 같다.

프로젝트가 잘 마무리 되었으면 좋겠다.

프로젝트 - AI랑, 아이랑 : AI 동요 창작 서비스 (1)

heyhmin — Fri, 27 Nov 2020 13:50:53 +0900

AI 동요 창작 서비스 개발 프로젝트를 이번 9월에 기획, 진행하고 있습니다.

'프로젝트 AI랑'에서는 비기술적인 내용이, '작사 AI 팀'에서는 기술적인 내용이 작성되어 있습니다.

AI랑 [아이랑] : AI 동요 창작 서비스

프로젝트 AI랑

1. 프로젝트의 주제 선정 이유

문제 정의

AI가 예술분야의 창작에 진입하였지만 아직 작곡, 작사에 대한 AI 활용은 부족하여 AI 창작 이후 사람의 편집을 거치는 형태입니다.

또한, 동요의 경우는 K-POP등의 장르와 다르게 그 생산 주체가 보다 한정되어 있다는 문제점이 있습니다.

따라서 AI가 동요를 작곡, 작사하는 프로그램을 개발하고자 합니다.

작사/작곡으로 팀을 나누어서 동시에 진행하고 있습니다.

2. 진행 내용

9월

지도교수님과의 면담 이후, 동요 창작 AI라는 주제를 선정하였습니다.

주제를 선정하고 다시 지도교수님과 면담을 통해 각자 세부적으로 자료조사할 내용을 선정하였습니다.

주제와 관련된 자료 조사 + 발표

- 작곡 AI SW

- 작곡 Open SW, Data Set

- 작곡 AI 논문

- 작사 AI 논문

10월

팀원마다 하나의 자료조사 주제를 가지고 계속해서 자료조사를 진행하였고, 각자 30분 가량의 발표를 준비하였습니다.

더해서 현존하는 작곡 AI 서비스를 사용하여 팀원들이 각각 노래를 한 곡 씩 창작하여 공유할 수 있도록 하였습니다.

웹 프론트 플로우를 볼 수 있는 디자인, 프로토 타입을 Adobe XD를 사용하여 제작하였습니다.

멘토님과의 1차 멘토링을 진행하였습니다.

중간 발표와 사업계획서 작성을 진행하였습니다.

지도교수님과의 면담 시간에 팀원들이 각각 30분씩 발표를 진행하였습니다.

진행한 발표의 세부 주제는 9월에 적혀 있는 것과 같습니다.

11월

팀을 작사 AI, 작곡 AI로 나누어서 진행하였습니다. 저는 작사 AI 팀입니다.

멘토님과의 2차 멘토링을 진행하였습니다. 멘토링을 통해 프로젝트의 계획과 방향성을 점검할 수 있었습니다.

작사 AI 팀

동요 Data Set을 수집하였습니다. 우선 구글 검색을 통해 동요 165곡의 가사를 수집하였습니다.

이후 파랑새 창작 동요회, 한국 동요 작곡가 협회의 홈페이지를 통해 공개된 창작 동요 약 200곡의 가사를 수집하였습니다.

데이터 셋 수집 과정에서 동요 가사의 응집성 등을 위해서는 키워드가 필요하다는 것을 알게 되었습니다.

또한, 작사를 진행할 때 KoGPT-2를 사용하려고 하고 있는데, 해당 알고리즘에도 시작하는 메인 키워드가 주어져야 합니다.

이를 위해 수집한 동요 가사 데이터 셋에서의 핵심 키워드를 추출하고자 KRWordRank를 사용하였습니다.

추출된 핵심 키워드들 중, 명사들을 키워드로 선정하였습니다.

선정된 명사 키워드들을 자연, 가족, 동물, 계절 및 시간, 사람, 감정 및 감각의 메인 키워드로 분류하였습니다.

각각의 메인 키워드로 분류된 세부 키워드들 중 그 수가 적은 것들은 직접 키워드를 일부 추가하였습니다.

12월 ~ 6월

12월에는 기말발표와 보고서, 깃허브, 영상, 시제품 제출이 진행될 예정입니다.

1월에는 작사 작곡 AI 1차 개발, 피드백, 2차 개발이 진행됩니다.

2월에는 작사 작곡 AI 개발 완료, 각각을 연동하는 과정이 진행됩니다.

3월~5월에는 웹페이지 구현이 진행됩니다.

6월에는 결과물에 대한 피드백과 수정이 진행됩니다.

작사 AI 팀

1. Data Set

작사 AI 팀에서는 먼저 동요 가사 Data Set을 수집하였습니다.

검색을 통해 찾은 동요 가사 165곡에 더해서, 파랑새 창작 동요회에 존재하는 약 300개의 동요 가사들 중 100개의 곡을 데이터 셋으로 추가하였습니다. 파랑새 창작 동요회 웹페이지에 공개된 동요 음반 중, 우선 100곡을 수집하였습니다.

이후 추가적으로 확보하고자 합니다.

* 파랑새 창작 동요회 : http://www.prs.or.kr/

::: 파랑새창작동요회 :::

www.prs.or.kr

2. KRWordRank - 가사 Data Set의 핵심 키워드 추출

KRWordRank

KRWordRank는 한국어 문장에서 단어들을 추출하고, 단어의 중요도를 점수로 표시합니다.

PageRank와 비슷한 graph ranking 알고리즘인, HITS algorithm을 이용하여 단어를 추출합니다.

HITS algorithm

Hyperlink-Induced Topic Search Algorithm입니다.

Jon Kleinberg가 개발한 웹페이지 검색 엔진의 랭킹 알고리즘으로, 웹 페이지를 평가하는 링크 분석 알고리즘입니다.

a good hub represents a page that pointed to many other pages, while a good authority represents a page that is linked by many different hubs.

좋은 허브는 다른 많은 페이지를 가리키는 페이지를 나타내고, 좋은 권위는 많은 다른 허브로 연결된 페이지를 나타냅니다.

이처럼 HITS는 허브와Hub 권위Authority를 사용하여 웹페이지 사이의 재귀적인 관계를 정의합니다.

따라서 HITS 알고리즘에서는 각 페이지에 대해 2가지 점수를 할당합니다.

its authority, which estimates the value of the content of the page, and its hub value, which estimates the value of its links to other pages.

페이지 컨텐츠의 가치를 추정하는 점수와 다른 페이지에 대한 링크의 가치를 추정하는 점수입니다.

GeeksforGeeks의 HITS Algorithm 설명에 나오는 Algorithm 화면 캡쳐입니다.

위의 알고리즘처럼,

허브 점수는 권위 점수들의 합이 되고, 권위 점수는 허브 점수들의 합이 됩니다.

KRWordRank의 사용

KRWordRank를 사용하여 데이터 셋 중 빈출도가 높은 키워드를 추출하여 메인/세부 키워드를 선정했습니다.

Colab을 사용하여 진행하였습니다.

먼저 구글 드라이브에 업로드한 동요 가사 Data Set 사용을 위해 구글 드라이브와 코랩을 연결합니다.

from google.colab import drive
drive.mount("/content/drive")

파일을 읽고, 잘 읽혔는지 확인하기 위해 출력하였습니다.

txt_path = '/content/drive/MyDrive/C_Study/20201117lyrics_HM.txt'
file1 = open(txt_path, "r")

file1.name
file1.mode
FileContent = file1.read()
FileContent

KR WordRank 사용을 위해 krwordrank를 설치하였습니다.

pip install krwordrank

이후 import를 진행하고, 읽은 파일의 개행문자 등을 기준으로 분리하였습니다.

def get_texts_scores(fname):
    with codecs.open(fname, encoding='utf-8') as f:
        docs = [doc.lower().replace('\n', '\t').replace('\r', '').split('\t') for doc in f]
        docs = [doc for doc in docs if len(doc) == 2]

        if not docs:
            print("not docs")
            return [], []

        texts, scores = zip(*docs)
        return list(texts), list(scores)

texts, scores = get_texts_scores(txt_path)
texts

개행문자가 '\n'라고만 알고 있었는데 그 뒤에 '\r'이 같이 붙는 경우도 있다는 것을 새롭게 알게되어 해당 부분을 처리해야 했습니다.

위의 코드를 실행한 후에는 texts에 문장들이 담기게 됩니다.

다음으로 단어들을 추출하는 과정을 거치게 됩니다.

저는 krwordrank.word를 KRWordRank로 가져왔기 때문에 KRWordRank로 실행합니다.

wordrank_extractor = KRWordRank(
    min_count = 5, # 단어의 최소 출현 빈도수 (그래프 생성 시)
    max_length = 10, # 단어의 최대 길이
    verbose = True
    )

beta = 0.85    # PageRank의 decaying factor beta
max_iter = 10

keywords, rank, graph = wordrank_extractor.extract(texts, beta, max_iter)

stopwords = {'나의', '어디', '너무', '정말', '있어'}
passwords = {word:score for word, score in sorted(
    keywords.items(), key=lambda x:-x[1])[:300] if not (word in stopwords)}

from krwordrank.word import summarize_with_keywords

keywords = summarize_with_keywords(texts, min_count=5, max_length=10,
    beta=0.85, max_iter=10, stopwords=stopwords, verbose=True)
keywords = summarize_with_keywords(texts) # with default arguments

KRWordRank에 passwords를 사용할 수 도 있지만, summarize_with_keywords 함수처럼 진행할 수 도 있습니다.

이후 점수가 높은 순서대로 출력할 수 있습니다. 아래의 코드에서는 30개만 출력하였으나 실제 키워드 추출과정에서는 100개의 단어들을 출력하여 사용하였습니다.

for word, r in sorted(keywords.items(), key=lambda x:x[1], reverse=True)[:30]:
    print('%8s:\t%.4f' % (word, r))

WordCloud

결과물을 보다 시각화하기 위해서는 wordcloud를 사용할 수 있습니다.

wordcloud를 설치한 다음,

pip install wordcloud

한글을 출력하기 위해 한글을 지원하는 폰트를 준비하고, 그림을 그립니다.

from wordcloud import WordCloud

# Set your font path
font_path = '/content/drive/MyDrive/NotoSansCJKkr-Black.otf'

krwordrank_cloud = WordCloud(
    font_path = font_path,
    width = 800,
    height = 800,
    background_color="white"
)

krwordrank_cloud = krwordrank_cloud.generate_from_frequencies(passwords)

%matplotlib inline
import matplotlib.pyplot as plt

fig = plt.figure(figsize=(10, 10))
plt.imshow(krwordrank_cloud, interpolation="bilinear")
plt.show()

코드를 통해 그려진 그림은 아래와 같습니다.

그림에 나와있듯이, 가장 점수가 높은 단어들은 '우리', '마음', '친구', '하늘', '아기'였습니다.

그리고 출력한 점수가 높은 단어들에는 명사와 형용사 등이 섞여 있었습니다.

그래서 우선은 단어들 중 명사들을 모아서 메인 키워드/세부 키워드를 나누었습니다.

명사

: 하늘/아빠/엄마/사랑/바람/바다/마음/친구/아기/노래/펭귄/소리/얼굴/나무/세상/선생님/아침/꼬마/향기/동물/동네/나라/아이/기쁨/인사/나미/다람쥐/동그라미

메인 키워드로 분류 후, 세부 키워드에 임의로 몇가지를 추가하였습니다.

메인 키워드 : 세부 키워드

1. 자연 : 해, 달, 별, 바람, 바다, 나무, 산, 계곡, 풀, 꽃, 비, 햇빛, 구름, 해변, 모래, 언덕

2. 가족 : 아빠, 엄마, 가족, 동생, 할머니, 할아버지, 언니, 오빠, 누나, 형, 삼촌, 이모

3. 동물 : 펭귄, 다람쥐, 곰, 강아지, 고양이, 상어, 돌고래, 호랑이, 토끼

4. 계절, 시간 : 봄, 여름, 가을, 겨울, 아침, 낮, 저녁, 밤, 이른 새벽

5, 사람 : 친구, 선생님, 꼬마, 아이, 아기, 이웃, 경비아저씨

6. 감정, 감각 : 기쁨, 즐거움, 맛, 향기, 따뜻함, 부드러움, 밝음, 신남, 맛있는, 즐거운, 추운

3. KoGPT-2 - 한국어 자연어 생성

KoGPT2

KoGPT2는 OpenAI GPT-2모델의 한국어 성능의 한계를 보완하기 위해 만들어졌습니다.

GPT-2 base 모델이며, Fused GELU (Gaussian Error Linear Unit) 를 기반으로 10% 이상의 학습 속도를 향상 시켰습니다.

KoGPT2를 설치한 다음

git clone https://github.com/SKT-AI/KoGPT2.git
cd KoGPT2
pip install -r requirements.txt
pip install .

문장의 시작을 주었을 때 해당 문장을 AI가 완성시키는 것을 확인할 수 있습니다.

import torch
from kogpt2.pytorch_kogpt2 import get_pytorch_kogpt2_model
from gluonnlp.data import SentencepieceTokenizer
from kogpt2.utils import get_tokenizer

tok_path = get_tokenizer()
model, vocab = get_pytorch_kogpt2_model()
tok = SentencepieceTokenizer(tok_path,  num_best=0, alpha=0)
sent = '2019년 한해를 보내며,'
toked = tok(sent)
while 1:
  input_ids = torch.tensor([vocab[vocab.bos_token],]  + vocab[toked]).unsqueeze(0)
  pred = model(input_ids)[0]
  gen = vocab.to_tokens(torch.argmax(pred, axis=-1).squeeze().tolist())[-1]
  if gen == '</s>':
      break
  sent += gen.replace('▁', ' ')
  toked = tok(sent)
sent

'2019년 한해를 보내며, 새해에는 더 많은 사람들이 새해에 이루고자 하는 소망과 희망을 되새겨보는 시간이 되었으면 좋겠다.'

하지만,

CSV 형식의 Dataset을 받도록 변경된 Version2로 작업을 진행하려면 현재 txt로 된 데이터 셋을 변경해주어야 하기 때문에, Version 1.1을 이용하였습니다.

Version 에러를 고치기 위해서 requirements.txt의 transformers를 2.4.1로 고정해야 했습니다.

main을 통해 모델을 학습시키는 것까지는 에러가 더 생기지 않았지만, Generator를 통해 작사를 진행하는 것에서 EOError가 발생하였습니다. 현재는 해당 에러가 생기는 이유를 찾고 수정하려고 하는 중입니다.

참고: HITS Algorithm Wikipedia, GeeksforGeeks

* KR WordRank - github.com/lovit/KR-WordRank

lovit/KR-WordRank

비지도학습 방법으로 한국어 텍스트에서 단어/키워드를 자동으로 추출하는 라이브러리입니다. Contribute to lovit/KR-WordRank development by creating an account on GitHub.

github.com

* KRWordRank Reference: Kim, H. J., Cho, S., & Kang, P. (2014). KR-WordRank: An Unsupervised Korean Word Extraction Method Based on WordRank. Journal of Korean Institute of Industrial Engineers, 40(1), 18-33

* KoGPT2 - github.com/SKT-AI/KoGPT2

SKT-AI/KoGPT2

Korean GPT-2 pretrained cased (KoGPT2). Contribute to SKT-AI/KoGPT2 development by creating an account on GitHub.

github.com

* 가사 쓰는 모델 : github.com/gyunggyung/KoGPT2-FineTuning

gyunggyung/KoGPT2-FineTuning

Korean GPT-2, KoGPT2 FineTuning cased. 한국어 가사 데이터 학습 - gyunggyung/KoGPT2-FineTuning

github.com

[프로그래머스] 2020 카카오 인턴십 키패드 누르기

heyhmin — Tue, 17 Nov 2020 03:48:17 +0900

DSC 활동을 하면서, 알고리즘 스터디를 통해 문제 풀이를 지속하게 되었다.

URL: programmers.co.kr/learn/courses/30/lessons/67256

코딩테스트 연습 - 키패드 누르기

[1, 3, 4, 5, 8, 2, 1, 4, 5, 9, 5] "right" "LRLLLRLLRRL" [7, 0, 8, 2, 8, 3, 1, 5, 7, 6, 2] "left" "LRLLRRLLLRR" [1, 2, 3, 4, 5, 6, 7, 8, 9, 0] "right" "LLRLLRLLRL"

programmers.co.kr

[카카오 인턴] 키패드 누르기

문제 설명

스마트폰 전화 키패드의 각 칸에 다음과 같이 숫자들이 적혀 있습니다.

이 전화 키패드에서 왼손과 오른손의 엄지손가락만을 이용해서 숫자만을 입력하려고 합니다.
맨 처음 왼손 엄지손가락은 * 키패드에 오른손 엄지손가락은 # 키패드 위치에서 시작하며, 엄지손가락을 사용하는 규칙은 다음과 같습니다.

엄지손가락은 상하좌우 4가지 방향으로만 이동할 수 있으며 키패드 이동 한 칸은 거리로 1에 해당합니다.
왼쪽 열의 3개의 숫자 1, 4, 7을 입력할 때는 왼손 엄지손가락을 사용합니다.
오른쪽 열의 3개의 숫자 3, 6, 9를 입력할 때는 오른손 엄지손가락을 사용합니다.
가운데 열의 4개의 숫자 2, 5, 8, 0을 입력할 때는 두 엄지손가락의 현재 키패드의 위치에서 더 가까운 엄지손가락을 사용합니다.
4-1. 만약 두 엄지손가락의 거리가 같다면, 오른손잡이는 오른손 엄지손가락, 왼손잡이는 왼손 엄지손가락을 사용합니다.

순서대로 누를 번호가 담긴 배열 numbers, 왼손잡이인지 오른손잡이인 지를 나타내는 문자열 hand가 매개변수로 주어질 때, 각 번호를 누른 엄지손가락이 왼손인 지 오른손인 지를 나타내는 연속된 문자열 형태로 return 하도록 solution 함수를 완성해주세요.

[제한사항]

numbers 배열의 크기는 1 이상 1,000 이하입니다.
numbers 배열 원소의 값은 0 이상 9 이하인 정수입니다.
hand는 "left" 또는 "right" 입니다.
- "left"는 왼손잡이, "right"는 오른손잡이를 의미합니다.
왼손 엄지손가락을 사용한 경우는 L, 오른손 엄지손가락을 사용한 경우는 R을 순서대로 이어붙여 문자열 형태로 return 해주세요.

입출력 예

numbershandresult

[1, 3, 4, 5, 8, 2, 1, 4, 5, 9, 5]	"right"	"LRLLLRLLRRL"
[7, 0, 8, 2, 8, 3, 1, 5, 7, 6, 2]	"left"	"LRLLRRLLLRR"
[1, 2, 3, 4, 5, 6, 7, 8, 9, 0]	"right"	"LLRLLRLLRL"

입출력 예에 대한 설명

입출력 예 #1

순서대로 눌러야 할 번호가 [1, 3, 4, 5, 8, 2, 1, 4, 5, 9, 5]이고, 오른손잡이입니다.

왼손 위치오른손 위치눌러야 할 숫자사용한 손설명

*	#	1	L	1은 왼손으로 누릅니다.
1	#	3	R	3은 오른손으로 누릅니다.
1	3	4	L	4는 왼손으로 누릅니다.
4	3	5	L	왼손 거리는 1, 오른손 거리는 2이므로 왼손으로 5를 누릅니다.
5	3	8	L	왼손 거리는 1, 오른손 거리는 3이므로 왼손으로 8을 누릅니다.
8	3	2	R	왼손 거리는 2, 오른손 거리는 1이므로 오른손으로 2를 누릅니다.
8	2	1	L	1은 왼손으로 누릅니다.
1	2	4	L	4는 왼손으로 누릅니다.
4	2	5	R	왼손 거리와 오른손 거리가 1로 같으므로, 오른손으로 5를 누릅니다.
4	5	9	R	9는 오른손으로 누릅니다.
4	9	5	L	왼손 거리는 1, 오른손 거리는 2이므로 왼손으로 5를 누릅니다.
5	9	-	-

따라서 "LRLLLRLLRRL"를 return 합니다.

입출력 예 #2

왼손잡이가 [7, 0, 8, 2, 8, 3, 1, 5, 7, 6, 2]를 순서대로 누르면 사용한 손은 "LRLLRRLLLRR"이 됩니다.

입출력 예 #3

오른손잡이가 [1, 2, 3, 4, 5, 6, 7, 8, 9, 0]를 순서대로 누르면 사용한 손은 "LLRLLRLLRL"이 됩니다.

[문제 풀이]

이번 문제에서 핵심은 각각의 위치를 어떻게 비교할 것인지 이다.

1. 각각의 위치 비교

위치 비교가 필요한 입력값은 키패드의 가운데 숫자들(2, 5, 8, 0)이다.

따라서 해당 숫자들을 처리할 경우에만 위치를 비교하면 된다.

위치를 비교할 때는 좌표계를 떠올리면 풀이하기가 편하다.

1, 2, 3의 숫자를 같은 행으로 하기 위해서는 num - 1을 3으로 나누었을 때의 몫을 떠올릴 수 있다.

비슷한 맥락으로 같은 열으로 하기 위해서는 num - 1을 3으로 나누었을 때의 나머지를 떠올릴 수 있다.

이러한 점을 이용하여 거리 계산을 해준다.

이후 해당 거리 계산 값을 이용하여 answer 문자열에 R, L 값을 더해주면 된다.

소스코드

class Solution {
    public String solution(int[] numbers, String hand) {
        String answer = "";
        int current = 0;
        int rposition = 12;
        int lposition = 10;
        int rdistance = 0;
        int ldistance = 0;
        while(current < numbers.length){
            int num = numbers[current++];
            // ((num-1) / 3, (num-1) % 3)
            if(num == 0 || num%3 == 2){
                if(num == 0) num = 11;
                rdistance = Math.abs((num-1)/3 - (rposition-1)/3) + Math.abs((num-1)%3 - (rposition-1)%3);
                ldistance = Math.abs((num-1)/3 - (lposition-1)/3) + Math.abs((num-1)%3 - (lposition-1)%3);
            }
            switch(num%3){
                case 0 : answer +="R"; 
                        rposition = num;
                        break;
                case 1 : answer +="L"; 
                        lposition = num;
                        break;
                case 2 : if(rdistance < ldistance) {
                            answer +="R"; 
                            rposition = num;
                        } else if (ldistance < rdistance){
                            answer +="L"; 
                            lposition = num;
                        } else{
                            if(hand.equals("right")) {
                                answer +="R"; 
                                rposition = num;
                            } else {
                                answer +="L"; 
                                lposition = num;
                            }           
                        }
                        break;
                default : System.out.print("error"); break;
            }
        }
        return answer;
    }
}

방법 1. 숫자의 범위를 12까지 늘려서 수식으로 계산한다.

방법 2. 각 숫자마다 [n, n]으로 할당해서 계산한다.

방법 3. 모든 숫자에 행, 열 값을 따로 저장하여 사용하여 계산한다.

프로그래머스 해시 - 위장 with Kotiln

heyhmin — Sun, 30 Aug 2020 20:50:35 +0900

** 중간에 Intelli J Kotlin을 업데이트하고 나서 에러가 났었는데

에러 내용: Kotlin: [Internal Error] java.rmi.UnmarshalException: ~~~

Build -> Rebuild Project 하고 나서 에러가 해결됐어요!

프로그래머스 해시부분 위장 문제입니다.

IntelliJ에서의 풀이입니다. Hash를 쓰려고 노력했습니다!

실제로 HashMap을 출력하면 다음 처럼 출력됩니다.

{-1290360528=1, -1115211921=2}

{3135069=3}

val clothes: Array<Array<String>> = arrayOf(
    arrayOf("yellow_hat", "headgear"), arrayOf("blue_sunglasses", "eyewear"),
    arrayOf("green_turban", "headgear")
)
val clothes2: Array<Array<String>> = arrayOf(
    arrayOf("crow_mask", "face"), arrayOf("blue_sunglasses", "face"),
    arrayOf("smoky_makeup", "face")
)

fun solution(clothes: Array<Array<String>>): Int {
    var answer = 1
    val kindOf = HashMap<Int, Int>()
    clothes.forEach {
        val kindHash: Int = it[1].hashCode()
        if (kindOf.containsKey(kindHash)) {
            val value = kindOf[kindHash]!!.plus(1)
            // !!.은 Not Null 표시입니다.
            kindOf[kindHash] = value
        } else kindOf[kindHash] = 1
    }
    kindOf.values.forEach {
        answer *= (it + 1)
    }
    return answer - 1
}

fun main() {
    println(solution(clothes)) // 5
    println(solution(clothes2)) // 3
}

URL: https://programmers.co.kr/learn/courses/30/lessons/42578

코딩테스트 연습 - 위장

programmers.co.kr

다른 분 풀이입니다! gropuBy와 map, reduce, minus를 사용해서 풀이할 수 있습니다.

다른 분 풀이인데 Kotlin에 대해 더 배우기 좋아서 나중에 보려고 저장합니다...

class Solution {
    fun solution(clothes: Array<Array<String>>) = clothes
        .groupBy { it[1] }.values   // group by type of clothes, keep only names of clothes
        .map { it.size + 1 }        // number of things to wear in a group (including wearing nothing)
        .reduce(Int::times)         // combine
        .minus(1)                   // remove the case where the spy wears nothing
}

프로그래머스 깊이/너비 우선 탐색 여행경로 with Kotlin

heyhmin — Sun, 30 Aug 2020 18:20:41 +0900

프로그래머스 깊이/너비 우선 탐색 여행경로 문제입니다.

프로그래머스에서의 풀이입니다.

import java.util.Stack

class Solution {
    val path: MutableList<String> = mutableListOf()
	val stack: Stack<String> = Stack()
	fun solution(tickets: Array<Array<String>>): Array<String> {
    	tickets.sortWith(compareBy({ it[0] }, { it[1] }))
    	val usedTicket = BooleanArray(tickets.size) { false }
    	for (i in tickets.indices) {
        	if (tickets[i][0] == "ICN") {
            	usedTicket[i] = true
            	stack.push("ICN")
            	stack.push(tickets[i][1])
            	visit(tickets, 1, usedTicket)
            	//reset
            	while(!stack.isEmpty())
                	stack.pop()
            	for(k in usedTicket.indices)
                	usedTicket[k] = false
            	if(!path.isEmpty()) break
        	}
    	}
    	print(path.toTypedArray().contentToString())
    	return path.toTypedArray()
	}

    fun visit(tickets: Array<Array<String>>, cnt: Int, usedTicket: BooleanArray) {
        if (cnt >= tickets.size && tickets.size < stack.size) {
            val tmpstack = Stack<String>()
            while (!stack.isEmpty())
                tmpstack.push(stack.pop())
            var tmpCnt = cnt
            while (!tmpstack.isEmpty() && tmpCnt >= 0){
                print(tmpCnt)
                tmpCnt--
                path.add(tmpstack.pop())
            }
            return
        }else{
            val next = stack.peek()
            for (i in tickets.indices){
                if (usedTicket[i]) continue
                if (tickets[i][0] == next){
                    usedTicket[i] = true
                    stack.add(tickets[i][1])
                    visit(tickets, cnt+1, usedTicket)
                    if (!stack.isEmpty()) stack.pop()
                    usedTicket[i] = false
                }
            }
        }
    }
}

URL: https://programmers.co.kr/learn/courses/30/lessons/43164#

코딩테스트 연습 - 여행경로

[[ICN, SFO], [ICN, ATL], [SFO, ATL], [ATL, ICN], [ATL,SFO]] [ICN, ATL, ICN, SFO, ATL, SFO]

programmers.co.kr

그래프, 인접 행렬, 인접 리스트

heyhmin — Sun, 30 Aug 2020 17:44:34 +0900

Graph 그래프는 Vertices 정점과 이들을 연결하는 Edge 간선으로 이루어집니다.

정점 u, v를 연결하는 간선은 (u, v)로 표현됩니다.

정점은 Vertex, Node로 부를 수 있습니다.

무방향에서는 (u, v)와 (v, u)가 동일합니다.

두 정점을 가장 적은 수의 Edge로 연결하는 경로를 Shortest Path라고 합니다.
어떤 정점에서 시작하여 다시 자신에게 돌아오는 경로가 있을 경우 이를 Cycle이라고 합니다.
각 간선 Edge마다 가중치 Weight 가 존재하는 경우에는 가중 그래프 Weighted Graph라고 부릅니다.
가중 그래프에서는 가중치의 합이 가장 적은 경로를 Shortest Path라고 합니다.
방향이 있는 그래프는 방향 그래프 Directed Graph라고 합니다.
방향이 있는데 사이클이 없는 경우는 방향성 비순환 그래프 Directed Acyclic Graph, DAG라고 합니다.
또한 가중치가 있을 때는 가중 방향 그래프 Weighted Directed Graph라고 합니다.

그래프를 볼 때는 정점과 간선들을 묶어서 집합으로 생각하는 게 좋습니다.

정점 집합을 V, 간선 집합을 E로 나타냅니다.

표현 방법

Edge Lists 간선 리스트

[ [0,1], [0,6], [0,8], [1,4], [1,6], [1,9], [2,4], [2,6], [3,4], [3,5], [3,8], [4,5], [4,9], [7,8], [7,9] ]

가중치가 있다면 3번째 요소를 추가할 수 있습니다.

간선 리스트는 간단하지만 그래프에 특정 간선이 있는지를 알기 위해서는 리스트를 모두 검색해야 합니다.

인접 행렬

인접 행렬은 0과 1로 이루어진 V x V 행렬입니다.

간선 Edge ( i, j ) 가 있을 경우에만 ( i, j )의 값이 1이 됩니다.

가중치가 있다면 1이 아닌 가중치 값을 저장할 수 있습니다.

Edge의 존재 여부를 일정 시간 내에 파악할 수 있지만, Edge의 수가 적은 희소 그래프일 경우 공간이 낭비됩니다.

그리고 어떤 정점이 다른 정점 i와 인접해 있는지 알기 위해서는 i 정점과 인접한 정점들의 수가 적더라도 i 행의 모든 V 항목을 찾아봐야 합니다.

무방향 그래프에서 인접 행렬은 대칭이기 때문에 ( i, j ) = ( j, i )입니다.

인접 리스트

인접 리스트는 인접 행렬과 간선 리스트가 합쳐진 형태입니다.

각 정점 i에 그 정점과 인접한 정점을 저장합니다. 총 V개의 배열을 가집니다.

정점을 저장할 때 순서대로 나열할 필요는 없지만 오름차순으로 나타내는 게 편리한 경우가 많습니다.

이러한 그래프는 탐색할 때 너비 우선 탐색 BFS, 깊이 우선 탐색 DFS, 다익스트라 Dijkstra, 플로이드 Floyd Washall 등의 기법을 사용할 수 있습니다.

BFS는 큐, DFS는 스택, 다익스트라는 최소 힙, 플로이드는 3중 for문으로 구현 가능합니다.

이진 탐색 Binary Search

heyhmin — Sun, 30 Aug 2020 17:02:48 +0900

이진 탐색 Binary Search

이진 탐색은 한번 비교를 할 때마다 탐색 범위가 절반으로 줄어든다.

정렬된 배열을 전제로 탐색한다.

위와 같은 정렬된 배열에서 Binary Search 이진 탐색을 적용하여 9 를 탐색하는 경우를 생각할 수 있다.

정렬된 배열의 중앙 요소를 선택한다.
- < 7 선택 >
선택된 값과 찾고자 하는 값을 비교하여 왼쪽 혹은 오른쪽 중 어느 방향으로 탐색을 진행할지를 정한다.
- < 7이 9보다 작기 때문에 7을 기준으로 오른쪽의 값들을 탐색한다. >
위의 과정을 반복한다.
- < 11 선택 >
- < 11이 9보다 크기 때문에 11을 기준으로 왼쪽의 값들을 탐색한다. >
남은 탐색 값은 9가 남고, 찾고자 하는 값과 일치하므로 탐색을 끝마친다.

이진 탐색 성능

데이터 집합의 크기 n

반복 횟수 k

데이터 집합의 크기 n 을 2로 몇 번 나누어야 1이 되는지, 해당 k값을 확인할 수 있다.

탐색 과정

탐색하고자 하는 범위를 정의하기 위해 변수 left와 right, mid를 사용한다.

처음에 left는 0, right는 last index, mid는 ( left + right ) / 2 로 설정한다.

right < left가 되는 순간 탐색이 종료되며, 그 전에 해당 값을 찾으면 종료된다.

mid값과 찾고자 하는 값 answer 을 비교하여

mid < answer 이면 left = mid + 1

answer < mid 이면 right = mid - 1

해시 알고리즘

heyhmin — Sun, 30 Aug 2020 16:37:16 +0900

해시 함수는 어떤 길이의 데이터를 입력해도 정해진 길이의 결괏값을 준다.

데이터를 저장하는 방식으로 볼 때, 해시 함수에는 다양한 방식이 있다.

Direct-address tables

Direct-address tables는 크기가 U인 테이블 T를 생성하고 key K를 slot K에 저장하는 방식이다.

이때 중복되는 key는 없다고 가정한다. 전체 크기가 U인 곳에서 actual key K가 존재한다고 생각한다. 해당되는 데이터를 table에 저장하고 필요한 key값과 그에 해당하는 data를 확인하는 자료구조이다.

해당 방식은 수행 시간이 매우 짧다는 장점이 있다. key값을 알고 있으면 table에서 바로 data를 찾을 수 있기 때문이다. 하지만 공간 복잡도 측면에서는 실제 사용 공간이 적어 공간이 낭비될 수 있다.

또한, Hashing은 key k를 저장할 때 slot k가 아니라, slot h(k)에 저장하는 것을 의미한다. 이때 h(k)를 k의 해쉬값이라고 하고 h()를 해쉬 함수라고 한다. 이 경우, 값들은 동일한 hash값을 가질 수 있게 되고 충돌 문제가 일어날 수 있게 된다.

Chaining

이러한 충돌이 있을 경우, 대부분 중복되는 key가 있을 경우 해당 slot을 연결리스트로 저장하여 중복이 일어나더라도 충돌 문제가 일어나지 않도록 한다.

하지만 이런 경우, 하나의 slot에 아주 긴 리스트가 생겨나서 시간 복잡도 측면에서 문제가 생길 수 있다. 그러니 가능하면 최대한 중복 값을 방지하고 해시값이 전체에 걸쳐서 균등하게 발생하도록 하는 해시 함수를 사용해야 한다.

대표적인 해시 함수는 나머지 값을 h(k)로 하는 것이다. 즉, key를 m이라는 수로 나누고 그 나머지로 h(k)의 결괏값을 만드는 것이다. 이때 보다 효율적이기 위해서는 m은 2의 제곱수가 아니어야 하고 소수로 지정하는 것이 좋다.

** key -> hash function -> hash value

즉, HashFunction( Key ) = HashValue 이다.

나눗셈 법의 경우 Hash Value = Key % m이다.

해시 함수는 언제나 동일한 해시값을 리턴한다. 이러한 해시는 보안 분야에서도 자주 사용된다. 키와 해시값 사이에 직접적인 연관이 없기 때문에 해시값만으로는 그 키값을 온전히 복원하기 어렵기 때문이다. 또한 해시함수는 길이가 서로 다른 입력 데이터에 대해 일정한 길이의 출력을 만들 수 있기 때문에 데이터 축약의 기능도 있다.

Open Addressing

보다 균등하게 해시값들에 데이터를 저장하기 위해서, 해시값의 주소가 아닌 다른 주소에 데이터를 저장할 수 있도록 하여 보다 균일하게 분포되도록 하는 방법도 있다. 해당 방법은 만약 해당 해시값으로 이미 저장된 데이터가 있다면, 그다음 해시값으로 변경하여 데이터를 저장하는 것이다.

7이 m이라고 할 때, 50과 85의 해시값은 모두 1이다. 하지만 이미 50이 저장된 상태이므로 85의 해시값을 그보다 1이 큰 곳에 저장한다. 데이터가 균일하게 분포되지만 그 구조상 해시 충돌 문제가 발생할 수 있다.

Double Hashing

이중 해싱은 탐사할 해시값의 규칙성을 제거하여 clustering을 방지한다. 2개의 해시함수를 사용한다. 하나는 최초의 해시값을 얻을 때, 또 다른 하나는 해시 충돌이 일어났을 때 탐사 이동폭을 얻기 위해 사용한다. 만약 최초 해시값이 같더라도 탐사 이동폭이 달라진다. 마찬가지로 탐사 이동폭이 같더라도 최초 해시값이 달라져서 primary, secondary clustering을 모두 완화할 수 있다.

예시로, 해당 방법에서 h1()은 m1, h2()는 m2를 사용한다고 하자

m1와 m2는 서로소이어야만 한다.

( 서로소 realatively prime - 3, 5처럼 공약수가 1 뿐인 경우 )

최초의 해시값을 h1으로 얻으면 ( h1의 제수, m1은 3이다 )

키가 3일 경우 h1(3) = 0

키가 6일 경우 h1(6) = 0

키가 11일 경우 h1(11) = 2

해시 충돌이 일어나서 h2를 사용하면 ( h2의 제수, m2은 5이다 )

h2(3) = 3

h2(6) = 1

h2(11) = 1

이처럼, 두 해시값이 다르기 때문에 clustering을 완화할 수 있다.

이번 예시는나눗셈 법, division method를 사용하였다. 간단하면서도 빠른 연산이 가능하다.

나눗셈 법 이외에도 다양한 해시 함수 방법이 있다.

multiplication method

숫자 key k이고 A는 0과 1 사이의 실수이다. 이때 m은 그 값이 크게 중요하지 않지만 보통 2의 제곱수로 한다. 나눗셈 법에 비해서는 느리지만 2진수 연산에 최적화된 컴퓨터 구조를 고려한 해시함수이다.

Universal Hashing

다수의 해시함수를 만들고, 해시함수들의 집합 H에서 무작위로 해시함수를 선택하여 해시값을 만든다. H에서 무작위로 뽑은 해시함수가 주어졌을 때 임의의 키값을 임의의 해시값에 매핑할 확률을 1/m으로 만드는 것을 목적으로 한다.

해시 테이블의 크기 m을 소수로 정한다.
키값을 k0부터 kr까지 총 r+1개로 쪼갠다.
0부터 m-1 사이의 정수 가운데 하나를 무작위로 뽑는다. (r+1)만큼 반복해서 뽑으며 a = [a0, a1, ... , ar]로 저장한다.
해시 함수는 다음과 같다.

a와 해시함수의 집합 H의 요소 수는 다음과 같다.

프로그래머스 깊이/너비 우선 탐색 단어 변환 with Kotlin

heyhmin — Wed, 26 Aug 2020 16:19:29 +0900

프로그래머스 깊이/너비 우선 탐색 단어 변환 문제입니다.

IntelliJ에서의 풀이입니다.

import java.util.*

val begin = "hit"
val target = "cog"
val words = arrayOf("hot", "dot", "dog", "lot", "log", "cog")
fun solution(begin: String, target: String, words: Array<String>): Int {
    var answer = 0
    if (!words.contains(target)) return 0
    val que:Queue<String> = LinkedList<String>()
    words.forEach { que.add(it) }
    var curstr: String = begin
    var quep: String = que.poll()
    var cnt: Int
    while (curstr != target){
        cnt = 0
        for (i in curstr.indices){
            if (curstr[i] != target[i]) cnt++
        }
        if (cnt == 1){
            curstr = quep
            return answer+1
        }
        cnt = 0
        for (i in curstr.indices){
            if (curstr[i] != quep[i]) cnt++
        }
        if (cnt == 1){
            curstr = quep
            answer++
        }
        if (!que.isEmpty()) quep = que.poll()
    }
    return answer
}

fun main() {
    println(solution(begin, target, words)) //4
}

URL: https://programmers.co.kr/learn/courses/30/lessons/43163

코딩테스트 연습 - 네트워크

네트워크란 컴퓨터 상호 간에 정보를 교환할 수 있도록 연결된 형태를 의미합니다. 예를 들어, 컴퓨터 A와 컴퓨터 B가 직접적으로 연결되어있고, 컴퓨터 B와 컴퓨터 C가 직접적으로 연결되어 있��

programmers.co.kr

프로그래머스 깊이/너비 우선 탐색 네트워크 with Kotlin

heyhmin — Wed, 26 Aug 2020 15:12:09 +0900

프로그래머스 깊이/너비 우선 탐색 네트워크 문제입니다.

IntelliJ에서의 풀이입니다.

val n = 3
val computers = arrayOf(intArrayOf(1, 1, 0), intArrayOf(1, 1, 0), intArrayOf(0, 0, 1))
val computers2 = arrayOf(intArrayOf(1, 1, 0), intArrayOf(1, 1, 1), intArrayOf(0, 1, 1))
fun solution(n: Int, computers: Array<IntArray>): Int {
    var answer = 0
    val visited = Array<BooleanArray>(n) { BooleanArray(n){false} }
    for (i in 0 until n){
        if (!visited[i][i]){
            network(computers, i, n, visited)
            answer++
        }
    }
    return answer
}
fun network(computers: Array<IntArray>, i: Int, n: Int, visited: Array<BooleanArray>){
    for (j in 0 until n){
        if (computers[i][j] == 1 && !visited[i][j]){
            visited[i][j] = true
            visited[j][i] = true
            network(computers, j, n, visited)
        }
    }
}

fun main() {
    //println(solution(n, computers)) //2
    println(solution(n, computers2)) //1
}

URL: https://programmers.co.kr/learn/courses/30/lessons/43162

코딩테스트 연습 - 네트워크

programmers.co.kr