• GitHub 项目地址：blockcheDev/SoftwareEngineerWork-check-the-weight-of-a-paper: 软工作业2：论文查重项目 (github.com)

可以看到，对于整个程序而言，独占时间最多的用户函数是 GetWordFrequency()，这也不难解释，因为这是对整篇文本进行分词操作，并将每个词语存入散列表的重要函数。

对于一个长度为 n 的文本，使用参数为 k 的 n-gram 分词操作，这个函数的整体复杂度为 $O(knlogn)$，一般 n-gram 的参数会设为6以下，所以复杂度可以视为 $O(n*logn)$，这个 log 是使用散列表时元素冲突造成的重复查询而均摊下来的复杂度。

所以最占用时间的自然是Hash函数，除此之位其他操作复杂度均为 $O(n)$ 以下。

由于在当前程序使用散列表的插入操作较多，而一但发生冲突，将会使单次操作复杂度从 $O(1)$ 降为 $O(n)$。

所以可以使用底层为红黑树的 std::map 代替 std::unordered_map，std::map 的单次插入复杂度是稳定 $O(logn)$ 的，在极端状况下可以提升程序性能和稳定性。

单元测试可以通过。

1. 文件列表

   

2. 文件内容

3. 运行过程

   

4. 运行结果

   

毫无相关的两个文本

没有加上第52行代码前，如果 b 或 c 的值为0，也就是两个文本丝毫不相关，程序会进行除0操作，总所周知，数学上除0是没有意义的，于是程序报错了。