Document Listing on Repetitive Collections with Guaranteed Performance
我们考虑在字符串集合上列出文档，即查找给定模式出现在哪些字符串中。特别是，我们专注于重复的集合：一个集合的大小$N$在字母表$[1,σ]$是由$n$大小的字符串的$D$副本，$s$编辑应用于范围内的副本。我们引入了第一个文档列表索引，其大小为$\tilde{O}(n+s)$，确切地说是$O((n\logσ+s\log^2 N)\log D)$位，并且具有有用的最坏情况时间保证：给定长度为$m$的模式，对于任何恒定的$ε>0$，索引报告$\ndoc>0$字符串在时间上出现的位置$O(m\log^{1+ε} N \cdot \ndoc)$（并且如果$\ndoc=0$，则在时间上告诉$O(m\log N)$）。我们的技术是增加一个范围数据结构，这是常用的基于语法的索引，所以，而不是检索所有的模式出现，它计算有用的摘要。我们的想法有独立的兴趣：我们引入了第一个基于语法的索引，在文本$T[1,N]$与语法的大小$r$，使用$O(r\log N)$位和计数的出现次数的模式$P[1,m]$在时间$O(m^2 + m\log^{2+ε} r)$，任何常数$ε>0$。我们还使用$O(z\log(N/z)\log N)$位给出了第一个索引，其中$T$由Lempel-Ziv解析为$z$短语，计算时间上出现的次数$O(m\log^{2+ε} N)$。
2018-11-14 cs.DS
Document Retrieval on Repetitive Collections
文档检索的目的是找到最重要的文件，其中的模式出现在一个字符串的集合。传统的模式匹配技术产生暴力文档检索解决方案，这激发了对提供接近最佳性能的定制索引的研究。然而，还没有进行实验研究，确定哪些替代方案实际上比蛮力更好，以及哪些方案根据收集的特点表现最好。在本文中，我们通过探索底层集合的性质和当前方法的性能之间的关系来解决这个缺点。通过大量的实验，我们表明，既定的解决方案往往在实践中击败蛮力的替代品。我们还设计了新的方法，提供优越的时间/空间权衡，特别是在重复收集。
2014-06-30 cs.DS cs.IR
Dynamic Data Structures for Document Collections and Graphs
在动态索引问题中，我们必须维护一个不断变化的文本文档集合，以便我们能够有效地支持插入、删除和模式匹配查询。我们特别感兴趣的是开发高效的数据结构，以压缩的形式存储和查询文档。所有以前的压缩解决方案，这个问题依赖于回答排名和选择查询的动态序列的符号。由于[Fredman和Saks，1989]中的下界，回答排名查询在压缩动态索引中呈现出瓶颈。在本文中，我们将展示如何使用我们的新框架可以绕过这个下限。我们证明了索引问题的静态和动态变量之间的差距几乎可以关闭。我们的方法是基于一个新的框架，增加动态静态压缩数据结构。我们的框架也更普遍地适用于其他问题的动态化。例如，我们展示了我们的框架如何应用于开发动态图和二元关系的压缩表示。
2015-03-20 cs.DS
Fast, Small, and Simple Document Listing on Repetitive Text Collections
在字符串集合上列出文档的任务是查找出现模式的所有文档。它被认为是最基本的文档检索问题，并在各种应用中是有用的。许多增长最快的字符串集合由非常相似的文档组成，例如版本化代码和文档集合、基因组存储库等。为重复文本集合设计的普通模式匹配索引实现了空间数量级的减少。相反，用于文档检索的类似索引并不多。在本文中，我们提出了一个简单的文件列表索引的重复字符串集合的总长度$n$，列出$ndoc$不同的文件中出现的模式的长度$m$在时间$\mathcal{O}(m+ndoc \cdot \log n)$。我们利用文档数组的重复性（即，粗化为文档标识符的后缀数组）来对其进行语法压缩，同时预计算对非终结符的回答，并且也以语法压缩的形式存储它们。我们的实验结果表明，我们的索引大大优于现有的替代品在空间/时间权衡地图。
2019-02-20 cs.DS cs.IR cs.IT
Self-Index based on LZ77 (thesis)
生物信息学、版本控制系统、协作编辑系统（wiki）等领域正在产生大量重复性很强的数据汇集。也就是说，集合的元素之间几乎没有什么区别。这一事实使得集合的可压缩性非常高。例如，包含所有不同版本的维基百科条目的集合可以使用Lempel-Ziv 1977（LZ 77）压缩方案压缩到其原始空间的0.1%。这些重复的集合中的许多都处理大量的文本数据。因此，我们需要一种方法来有效地存储它们，同时提供对它们进行操作的能力。最常见的操作是提取集合的随机部分，并在整个集合中搜索给定模式的所有出现。自索引是一种数据结构，它以压缩形式存储文本，并允许有效地找到模式的出现。另一方面，自索引可以提取集合的任何子字符串，因此它们能够替换原始文本。使用这些索引的主要目标之一是将它们存储在主存中。在这篇论文中，我们提出了一个方案，随机抽取文本压缩与Lempel-Ziv分析。此外，我们提出了一个LZ 77的变体，称为LZ-End，它可以使用接近LZ 77的空间有效地提取文本。本文的主要贡献是基于LZ 77/LZ-End的第一个面向重复文本的自索引，该自索引在许多方面都优于目前最新的自索引（RLCSA自索引）。最后，我们提出了一个语料库的重复文本，来自几个应用领域。我们的目标是为研究和实验提供一套标准的文本，因此这个语料库是公开的。
2011-12-20 cs.DS
Self-Index Based on LZ77
我们介绍了基于Lempel-Ziv 1977压缩格式（LZ 77）的第一个自索引。对于高度重复的文本集合，例如相关物种的基因组序列数据库、软件存储库、版本化文档集合和时间文本数据库，它特别具有竞争力。这样的集合是非常可压缩的，但是经典的自索引无法捕获可压缩性的来源。我们的自索引实际上占用的空间是用LZ 77压缩的文本的几倍（只有2.6倍），每秒提取1- 2百万个字符的文本，并以每次出现10- 50微秒的速度找到模式。它比当前用于重复收集的最佳自索引小（最多一半），并且在许多情况下更快。
2011-01-21 cs.DS
Tunneling on Wheeler Graphs
Burrows-Wheeler变换（BWT）是数据压缩和紧凑索引数据结构设计中的一项重要技术。它已经从单个字符串推广到字符串的集合和一些类别的标记有向图，如tries和de Bruijn图。重复数据集的BWT通常可以使用游程压缩进行压缩，但最近Baier（CPM 2018）描述了如何使用他称为隧道的想法进一步压缩它们。在本文中，我们表明，隧道BWT仍然可以用于索引和扩展隧道的惠勒图的BWT，一个框架，其中包括所有上述概括。
2019-05-29 cs.DS
Engineering Fast and Space-Efficient Recompression from SLP-Compressed Text
本文首次实现压缩时间内运行的再压缩RLSLP构建，基于LZ77近似，相比非压缩方法实现46倍加速和17倍内存降低，为快速索引构建提供实用路径。
2025-10-23 cs.DS
A Fast and Small Subsampled R-index
$r$指数（Gagie等人，JACM 2020）代表了重复文本集合的压缩索引的突破，其性能超过其替代品的数量级。它的空间使用，$\mathcal{O}(r)$，其中$r$是在文本的Burrows-Wheeler变换中运行的次数，但是比Lempel-Ziv和基于语法的索引大，并且使得它在各种较温和重复的现实生活场景中不有趣。在本文中，我们介绍了$sr$指数，一个变种，限制空间$\mathcal{O}(\min(r,n/s))$的长度为$n$和一个给定的参数$s$的文本，在乘以$s$的时间，每次发生的报告。$sr$索引是通过仔细地对由$r$索引索引的文本位置进行二次采样而获得的，以我们证明仍然能够以保证性能的方式支持模式匹配。我们的实验表明，$sr$索引大幅优于几乎所有其他压缩索引的重复文本，在时间和空间，甚至匹配性能的$r$索引，而使用1.5- 3.0倍的空间。只有一些基于Lempel-Ziv的索引比$sr$索引实现更好的压缩，使用大约一半的空间，但它们慢一个数量级。
2021-03-29 cs.DS
Relative Suffix Trees
后缀树是字符串学中最通用的数据结构之一，在生物信息学中有许多应用。它们的主要缺点是它们的大小，可能比输入序列大几十倍。在减少空间使用方面已经做了很多努力，最终导致压缩后缀树。这些压缩的数据结构可以有效地模拟后缀树，同时使用与序列的压缩表示成比例的空间。在这项工作中，我们采取了一种新的方法来压缩后缀树的重复序列集合，如个人基因组的集合。我们压缩相对于参考序列的后缀树的各个序列的后缀树。这些相对的数据结构提供了竞争性的时间/空间折衷，对于重复的集合几乎与最小的压缩后缀树一样小，并且在时间上与最大和最快的压缩后缀树竞争。
2017-12-15 cs.DS
Indexing arbitrary-length $k$-mers in sequencing reads
我们提出了一个轻量级的数据结构的索引和查询收集的NGS读数据在主存中。该数据结构支持Philippe等人在开创性工作中提出的接口，用于计数和定位测序读数中的$k$ -聚体。我们的解决方案，PgSA（伪基因组后缀阵列），基于寻找重叠读段，是竞争力的空间使用，查询时间，或两者兼而有之的现有算法。我们的索引的主要应用包括变体调用，错误校正和RNA-seq实验的读数分析。
2015-02-13 cs.DS q-bio.GN
A New Class of String Transformations for Compressed Text Indexing
本文提出一类基于局部排序的新型字符串变换，证明其属于包含BWT、ABWT的上下文自适应字母表排序变换族，可用于构建r-index，还给出了线性时间寻找最小游程数BWT变体的算法。
2023-05-08 cs.DS
A succinct data structure for self-indexing ternary relations
二元关系的表示已经被深入研究，并且已经提出了许多不同的理论和实践表示来回答多个域中的常见查询。然而，三元关系并没有得到太多的关注，即使许多现实世界的应用程序需要处理三元关系。本文提出了一种新的压缩和自索引的数据结构--交错$K^2$ -树（I $K^2$ -tree），用于压缩表示和高效查询一般三元关系。IPDMATHABMM树是现有数据结构$K^2$树的演变，最初设计用于表示Web图，后来应用于其他领域. I $K^2$树能够扩展$K^2$树以表示三元关系，基于将其分解成二元关系的集合但提供所有三维中的索引能力的思想。我们提出了不同的方式来使用I $K^2$树建模不同类型的三元关系作为参考两个典型的领域：RDF和时态图。我们还通过实验评估了我们的代表性，并将其与其他最先进的解决方案在空间使用和性能方面进行了比较。
2017-07-10 cs.DS
Efficient Construction of the BWT for Repetitive Text Using String Compression
本文提出一种基于诱导后缀排序与游程/语法压缩的半外部算法，以期望线性时间构建BCR BWT，在重复性大规模基因组数据上显著降低内存并提升速度。
2023-08-14 cs.DS
Efficient construction of the extended BWT from grammar-compressed DNA sequencing reads
我们提出了一个算法，用于建立扩展的BWT（eBWT）的字符串集合从其语法压缩表示。我们的技术利用语法捕获的字符串重复来提高eBWT的计算。因此，集合的重复性越高，每个输入符号使用的资源就越少。我们依赖于一个新的语法最近提出的DCC'21，其非终端作为积木诱导eBWT。这个想法的一个相关应用是构建用于分析测序读数的自索引-原始基因组数据的大量重复字符串集合。自索引在生物信息学中越来越受欢迎，因为它们可以在更少的空间中编码更多的信息。我们高效的eBWT构建为在更大规模的序列数据集上执行准确的生物信息学分析打开了大门，这些数据集不适合当前的eBWT构建技术。
2021-02-08 cs.DS q-bio.GN
String Representation Based on Substring Equation Systems
Joint Graduate School of Mathematics for Innovation, Kyushu University（九州大学数学创新联合研究生院）；M&D Data Science Center, Institute of Integrated Research, Institute of Science Tokyo（东京科学大学综合研究所M&D数据中心）
研究了后缀集大小空间中字符串表示的可达性问题，提出了一种基于子串方程系统的构造方法，证明了每个字符串均可表示为O(χ(w))个单词。
2026-08-06 cs.DS
Optimally Computing Compressed Indexing Arrays Based on the Compact Directed Acyclic Word Graph
本文首次研究了从 CDAWG 转换为适用于高度重复文本的多种压缩索引结构的计算复杂度，并证明能在 $O(e)$ 最坏时间与工作空间内最优计算这些结构。
2023-08-04 cs.DS cs.FL cs.IR
Contextual Pattern Matching
University of Chile（智利大学）
本文针对重复字符串集合索引场景提出上下文模式匹配新查询，给出首个利用集合重复性相关空间的解决方案，实现了不同空间时间权衡，可高效查找指定上下文长度下的模式出现情况。
2026-08-19 cs.DS
Faster Repetition-Aware Compressed Suffix Trees based on Block Trees
后缀树是字符学中的一种基本数据结构，但其空间占用率虽然是线性的，但却成为其应用中的一个重要问题。我们设计并实现了一个新的压缩后缀树，针对高度重复的文本，如大型基因组集合的相同物种。我们的后缀树树建立在块树上，块树是一种最近的Lempel-Ziv有界数据结构，它捕获了输入的重复性。我们使用块树来压缩后缀树的拓扑结构，并使用数据来增加块树节点，以加快后缀树导航。我们的压缩后缀树比以前的基于语法的重复感知后缀树稍大，但在时间上优于它们，通常是数量级。表示树拓扑的组件实现了与通用压缩树相当的速度，同时使用了少2.3- 10倍的空间，并且可能在其他场景中感兴趣。
2019-02-08 cs.DS
Fast and Small Subsampled R-indexes
提出 sr-index 及其变体 r-csa、sr-csa，通过子采样文本位置在时间和空间间取得平衡，在保持查询性能的同时显著减少索引空间占用。
2024-09-23 cs.DS
Probabilistic Threshold Indexing for Uncertain Strings
字符串形成计算机系统中的基本数据类型。自从计算机科学诞生以来，字符串搜索一直被广泛研究。越来越多的应用程序必须处理不精确的字符串或字符串中的模糊信息。当字符串包含不确定性时，字符串匹配就变成了概率事件，即字符串的每个位置都可能有不同的可能字符，每个字符的出现概率都相关。这种不确定字符串在诸如生物序列数据、事件监测和自动ECG注释的各种应用中是普遍的。我们探讨的问题，索引不确定字符串，以支持高效的字符串搜索。在本文中，我们考虑两个基本问题的字符串搜索，即子串搜索和字符串列表。在子串搜索中，任务是在一个不确定的字符串中找到一个确定的字符串。我们制定的字符串列表问题的不确定字符串，其目标是输出所有的字符串从字符串的集合，包含可能发生的确定性查询字符串。这两个问题的索引解决方案是显着更具挑战性的不确定字符串比确定性字符串。给定构造时间概率值$τ$，我们的索引可以在线性空间中构造，并且对于概率阈值参数大于$τ$的任意值，支持在接近最佳时间的查询。据我们所知，这是第一个在不确定字符串中搜索的索引解决方案，它实现了强大的理论界，并支持概率阈值参数的任意值。我们还提出了一个近似的子串搜索索引，可以回答子串搜索查询的最佳时间与附加错误。我们进行实验来评估我们的指标的性能。
2015-09-29 cs.DB cs.DS
Practical Linear-Time Computation of Smallest Suffixient Sets
CeBiB – Centre for Biotechnology and Bioengineering（生物技术与生物工程中心）；Department of Computer Science, University of Chile（智利大学计算机系）
提出首个线性时间、单遍扫描且实用的最小后缀集合构造算法，在大型文本集合上优于现有实现的空间/时间权衡。
2026-08-25 cs.DS
Practical combinations of repetition-aware data structures
高度重复的字符串集合越来越多地被基因组测序和遗传变异实验所积累，以及存储人类生成的文件的所有版本，如网页和源代码。现有的索引用于在高度重复的字符串中定位模式的所有精确出现，它们利用了重复的单个度量。然而，在高度重复的字符串中，重复的多个不同度量都呈亚线性增长。在本文中，我们将探讨结合数据结构的实际优势，其大小取决于不同的重复措施。我们的结构的主要成分是游程长度编码的BWT（RLBWT），它需要的空间成比例的运行在一个字符串的Burrows-Wheeler变换的数量。我们描述了一系列实际的变体，结合RLBWT与字符串的Lempel-Ziv 77因子的边界集，其占用的空间与因子的数量成比例。这些变体分别使用字符串的RLBWT和其反向的RLBWT，或者在双向索引中只使用一个RLBWT，或者只使用一个支持单向提取的RLBWT。我们还研究了RLBWT与紧凑的有向非循环字图的字符串，一个数据结构，需要的空间成比例的最大重复的一个字符的扩展的数量相结合的实际优势。我们的方法易于实现，并在重要的数据集上提供竞争性权衡。
2016-04-21 cs.DS
The PGM-index: a multicriteria, compressed and learned approach to data indexing
University of Pisa（比萨大学）
最近引入的学习索引已经动摇了几十年的数据结构索引领域的基础。将B树节点等经典设计元素与机器学习模型相结合，甚至将其替换，已被证明可以显著改善数据系统的空间占用和时间效率。然而，这些新的方法是基于几何学，因此他们缺乏任何保证，在他们的时间和空间的要求。我们提出了分段几何模型索引（简称PGM-index），它在查询操作中实现了保证的I/O最优性，学习了最优数量的线性模型，其独特的递归结构使其成为一个纯学习的数据结构，而不是传统索引和学习索引（如RMI和FITing-tree）的混合体。我们发现，PGM索引提高了空间的FITING树的63.3%和B-树超过四个数量级，同时实现相同的甚至更好的查询时间效率。我们补充这一结果，提出了三个变种的PGM指数。首先，我们设计了一个压缩的PGM索引，通过利用其组成的学习线性模型的重复性，进一步减少其空间占用。其次，我们设计了一个PGM索引，使其适应查询的分布，从而产生了迄今为止第一个已知的分布感知学习索引。最后，鉴于其灵活性，在所提供的时空权衡，我们提出了多准则PGM索引，有效地自动调整自己在几秒钟内超过数亿键的可能不断变化的时空限制所施加的应用程序的使用。我们向读者指出，本文是我们以前的论文“通过编排学习和几何来取代传统索引”（arXiv：1903.00507）的扩展和改进版本。
2019-10-14 cs.DB cs.DS cs.IR
E2FM: an encrypted and compressed full-text index for collections of genomic sequences
下一代测序（NGS）平台以及更普遍的高通量技术正在引起核苷酸序列数据库的规模的指数增长。此外，核苷酸数据集的许多新兴应用-如与个性化医疗相关的应用-需要遵守有关敏感数据存储和处理的法规。我们设计并精心设计了E2 FM索引，这是一种新的全文索引，在分钟空间内进行了优化，用于压缩和加密FASTA格式的核苷酸序列集合，并用于执行快速模式搜索查询。E2 FM-index允许构建自索引，其占用的存储空间为输入FASTA文件所需的1/20，因此在索引高度相似的序列集合时可以节省约95%的存储空间;此外，它可以在几毫秒到几百毫秒的时间内精确地搜索构建的索引以查找模式，具体取决于模式长度。补充材料和支持数据集可通过Bioinformatics Online和https://figshare.com/s/6246ee9c1bd730a8bf6e获得。
2019-10-10 cs.DB cs.DS
Pointer-Machine Algorithms for Fully-Online Construction of Suffix Trees and DAWGs on Multiple Strings
我们处理的问题，维护后缀树索引结构的一个完全在线的多个字符串的集合，其中一个新的字符可以在任何时候在集合中的任何字符串的前缀。最近由Takagi等人提出的用于该问题的唯一先前已知的算法[Micromica 82（5）：1346-1377（2020）]在字RAM模型上在$O(N \log σ)$时间和$O(N)$空间中运行，其中$N$表示字符串的总长度，$σ$表示字母表大小。他们的算法大量使用了半动态树上的最近标记祖先（NMA）数据结构，该结构可以回答查询并支持在字RAM模型上的$O(1)$分摊时间中插入节点。在本文中，我们提出了一个更简单的全在线从右到左的算法，建立后缀树为一个给定的字符串集合在$O(N (\log σ+ \log d))$时间和$O(N)$空间，其中$d$是最大数量的传入韦纳链接到一个节点的后缀树。我们注意到，$d$由后缀树的高度限定，后缀树的高度又由集合中最长字符串的长度限定。这种新算法的优点是它工作在指针机器模型上，即它不使用涉及查表的复杂NMA数据结构。作为一个副产品，我们还获得了一个指针机算法，用于建立有向无环字图（DAWG）的多个字符串，它运行在$O(N (\log σ+ \log d))$时间和$O(N)$空间再次没有NMA数据结构的帮助下，一个完全在线的左到右收集。
2020-05-02 cs.DS
Random Access in Persistent Strings and Segment Selection
我们认为紧凑的表示类似的字符串，支持随机访问查询的集合。字符串的集合由有根树给出，其中边由编辑操作（插入，删除或替换字符）标记，节点表示通过在从根到节点的路径上应用编辑操作序列获得的字符串。目标是compensate表示整个集合，同时支持对集合中字符串的任何部分的快速随机访问。此问题捕获自然场景，例如表示编辑文档的过去历史或表示高度重复的集合。给定一棵树与$n$节点，我们展示了如何表示相应的集合在$O(n)$空间和$O(\log n/ \log \log n)$查询时间。这改善了以前的时间-空间权衡的问题。此外，我们展示了一个下界证明，查询时间是最佳的任何解决方案，使用近线性空间。为了实现我们的持久字符串中的随机访问的界限，我们展示了如何将问题减少到以下线段上的自然几何选择问题。考虑平面中的一组水平线段。给定参数$i$和$j$，段选择查询返回与$x$ -坐标$i$垂直相交的段中的$j$第小段（具有$j$第小$y$ -坐标的段）.线段选择问题是将一组水平线段预处理成支持快速线段选择查询的紧凑数据结构。我们提出了一个解决方案，使用$O(n)$空间和支持段选择查询在$O(\log n/ \log \log n)$时间，其中$n$是段的数量。此外，我们证明，这个查询时间也是最佳的任何解决方案，使用近线性空间。
2021-02-11 cs.DS
Compressed String Dictionaries
在许多情况下，以紧凑的形式存储一组字符串（字符串字典）的问题自然会出现。虽然传统上它代表了要处理的整个数据的一小部分（例如，用于自然语言处理或用于索引文本集合），在Web引擎、Web挖掘、RDF图、因特网路由、生物信息学和许多其它领域中的更近期的应用利用非常大的字符串字典，其大小是整个数据的重要部分。因此，新的方法来有效地压缩它们是必要的。在本文中，我们实验比较的时间和空间性能的一些现有的替代品，以及我们提出的新的。我们表明，空间减少高达20%的字符串的原始大小是可能的，同时支持快速字典搜索。
2011-01-28 cs.DS
Computing the BWT and LCP array of a Set of Strings in External Memory
索引非常大的字符串集合，如广泛的下一代测序技术产生的，在很大程度上依赖于多串概括的Burrows-Wheeler变换（BWT）：大量的要求在内存中的方法刺激了最近的发展外部存储器算法。计算字符串的最长公共前缀（LCP）数组是计算字符串之间的后缀前缀重叠的一个重要步骤，是许多基因组组装算法的基础。在以前的论文中，我们提出了一种内存中的分治方法来构建BWT和LCP，其中我们合并部分BWT和前向方法来排序后缀。在本文中，我们提出了一种替代的向后策略，开发一种外部存储器的方法，同时建立BWT和LCP阵列上的m个字符串的不同长度的集合。在一组字符串具有恒定长度k的算法具有O（mkl）的时间和I/O量，使用O（k + m）的主存，其中l是LCP数组中的最大值。
2020-12-04 cs.DS
A resource-frugal probabilistic dictionary and applications in bioinformatics
对于大规模问题，索引海量数据集是非常昂贵的。在许多领域中，目前产生了大量的数据，然而从海量数据集中提取有意义的信息，例如计算元素之间的相似性，远非微不足道。然而，这仍然是一项基本需要。本文提出了一种基于最小完美散列函数的概率数据结构，用于索引大型密钥集。我们的结构的竞争的哈希表的建设，查询时间和内存的使用，在一个静态集的不可分割的情况下。为了说明算法性能的影响，我们提供了两个基于序列集合之间的相似性计算的应用程序，并且这种计算是昂贵的，但需要的操作。特别是，我们展示了一个实际的情况下，其他生物信息学工具未能扩大测试数据集或提供较低的召回质量的结果。
2017-03-24 cs.DS q-bio.QM
Fast Prefix Search in Little Space, with Applications
在索引文献中已经表明，一方面前缀/范围搜索与另一方面前导/秩搜索之间存在本质区别，因为前者可证明允许更快的查询解析。传统上，前缀搜索是由数据结构解决的，这些数据结构也是字典-它们实际上包含$S$中的字符串。对于存储在慢速访问内存中的非常大的集合，我们提出了更紧凑的数据结构，支持\emph{weak}前缀搜索-如果$S$中的\emph{some}字符串以给定的前缀开头，它们将返回匹配字符串的秩。事实上，我们表明，我们的空间效率最高的数据结构是渐近空间最优的。以前，数据结构，如字符串B树（和更复杂的高速缓存无关字符串数据结构）隐式地支持弱前缀查询，但它们的查询时间都随着字符串集合的大小而递增。相比之下，我们的数据结构很简单，自然具有高速缓存效率，并且查询时间仅取决于前缀的长度，对于适合一个机器字的字符串，一直到恒定的查询时间。我们给出了弱前缀搜索的几个应用，包括精确前缀计数和近似匹配合取前缀条件的元组计数。
2018-04-12 cs.DS
Novel Results on the Number of Runs of the Burrows-Wheeler-Transform
本文研究字符串BWT游程数与其逆串BWT游程数的比值ρ(v)，构造出满足ρ(v)=Θ(log n)的无穷二元字符串族，给出ρ(n)的首个非平凡下界，表明r并非理想的字符串重复性度量。
2020-08-19 cs.DS cs.FL
