प्याज, या प्याज नहीं?


11

प्याज (चेतावनी: कई लेख NSFW हैं) एक व्यंग्य समाचार संगठन है जो पारंपरिक समाचार मीडिया की पैरोडी करता है। 2014 में, प्याज ने ClickHole (चेतावनी: अक्सर NSFW) का शुभारंभ किया , जो व्यंग्य समाचार वेबसाइट है जो BuzzFeed जैसी "क्लिकबैट" साइटों की पैरोडी करती है। पो के नियम के लिए धन्यवाद , लोगों के लिए प्याज या ClickHole से लेखों की सुर्खियाँ पढ़ना काफी आम है और उन्हें सच मानें, न कि यह जानने के लिए कि वे व्यंग्य करना चाहते हैं। यह कॉन्फिडेंस हास्यास्पद-वास्तविक वास्तविक समाचारों के साथ भी होता है - लोग अक्सर सोचते हैं कि वे व्यंग्य हैं जब वे नहीं होते हैं।

यह भ्रम स्वाभाविक रूप से एक खेल के लिए उधार देता है - एक समाचार शीर्षक दिया, यह अनुमान लगाने की कोशिश करें कि यह व्यंग्य है या नहीं। यह चुनौती एक कार्यक्रम के साथ ठीक वैसा ही करने के बारे में है।

एक समाचार शीर्षक (केवल मुद्रण योग्य ASCII वर्ण और स्थान से युक्त एक स्ट्रिंग) को देखते हुए, आउटपुट 1अगर शीर्षक व्यंग्य है, या 0यदि यह नहीं है। आपका स्कोर सही सुर्खियों की कुल संख्या से विभाजित आउटपुट की संख्या होगी।

हमेशा की तरह, मानक खामियों (विशेष रूप से परीक्षण मामलों के लिए अनुकूलन ) की अनुमति नहीं है। इसे लागू करने के लिए, मैं आपके कार्यक्रमों को 200 छिपे हुए परीक्षण मामलों (100 प्याज से 100, नहीं प्याज से 100) के सेट पर चलाऊंगा। आपका समाधान वैध होने के लिए सार्वजनिक परीक्षा के मामलों में आपके स्कोर से 20 प्रतिशत से अधिक अंक नहीं होना चाहिए।

परीक्षण के मामलों

इस चुनौती के लिए परीक्षण के मामलों के साथ आने के लिए, मैंने द प्याज प्याज से 25 सुर्खियां बटोरीं (जहां प्याज और उसके बच्चे की साइटें, जैसे कि ClickHole, पोस्ट की गई हैं), और नॉट द प्याज उपखंड से 25 सुर्खियां (जहां वास्तविक समाचार लेख हैं) व्यंग्य जैसी ध्वनि पोस्ट की जाती है)। केवल सुर्खियों में आए बदलाव मैं नियमित ASCII उद्धरणों के साथ "फैंसी" उद्धरणों की जगह ले रहा था और पूंजीकरण को मानकीकृत कर रहा था - बाकी सब कुछ मूल लेख के शीर्षक से अपरिवर्तित रह गया है। प्रत्येक शीर्षक अपनी लाइन पर है।

प्याज सुर्खियों में है

Trump Warns Removing Confederate Statues Could Be Slippery Slope To Eliminating Racism Entirely
'No Way To Prevent This,' Says Only Nation Where This Regularly Happens
My Doctor Told Me I Should Vaccinate My Children, But Then Someone Much Louder Than My Doctor Told Me I Shouldn't
Man At Park Who Set Up Table Full Of Water Cups Has No Idea How Passing Marathon Runners Got Impression They Can Take Them
This Child Would Have Turned 6 Today If His Mother Hadn't Given Birth To Him In October
Incredible Realism: The Campaign In The Next 'Call Of Duty' Will Begin At Your Avatar's High School Cafeteria When He's Being Tricked Into Joining The Military By A Recruiter
'Sometimes Things Have To Get Worse Before They Get Better,' Says Man Who Accidentally Turned Shower Knob Wrong Way
Report: Uttering Phrase 'Easy Does It' Prevents 78% Of Drywall Damage While Moving Furniture
Barbara Bush Passes Away Surrounded By Loved Ones, Jeb
Family Has Way Too Many Daughters For Them Not To Have Been Trying For Son
News: Privacy Win! Facebook Is Adding A 'Protect My Data' Button That Does Nothing But Feels Good To Press
Dalai Lama Announces Next Life To Be His Last Before Retirement
Researchers Find Decline In Facebook Use Could Be Directly Linked To Desire To Be Happy, Fully Functioning Person
Manager Of Combination Taco Bell/KFC Secretly Considers It Mostly A Taco Bell
Trump: 'It's My Honor To Deliver The First-Ever State Of The Union'
Daring To Dream: Jeff Bezos Is Standing Outside A Guitar Center Gazing Longingly At A $200 Billion Guitar
Area Dad Looking To Get Average Phone Call With Adult Son Down To 47.5 Seconds
Experts Warn Beef Could Act As Gateway Meat To Human Flesh
Jeff Bezos Named Amazon Employee Of The Month
Dad Suggests Arriving At Airport 14 Hours Early
Report: Only 3% Of Conversations Actually Need To Happen
Delta Pilot Refuses To Land Until Gun Control Legislation Passed
Family Wishes Dad Could Find Healthier Way To Express Emotions Than Bursting Into Full-Blown Musical Number
New Honda Commercial Openly Says Your Kids Will Die In A Car Crash If You Buy A Different Brand
Teacher Frustrated No One In Beginner Yoga Class Can Focus Chakras Into Energy Blast

नहीं प्याज सुर्खियों में है

Man Rescued From Taliban Didn't Believe Donald Trump Was President
Nat Geo Hires Jeff Goldblum To Walk Around, Being Professionally Fascinated By Things
Mike Pence Once Ratted Out His Fraternity Brothers For Having A Keg
Reddit CEO Tells User, "We Are Not The Thought Police," Then Suspends That User
Trump Dedicates Golf Trophy To Hurricane Victims
Uber's Search For A Female CEO Has Been Narrowed Down To 3 Men
ICE Director: ICE Can't Be Compared To Nazis Since We're Just Following Orders
Passenger Turned Away From Two Flights After Wearing 10 Layers Of Clothing To Avoid Luggage Fee
Somali Militant Group Al-Shabaab Announces Ban On Single-Use Plastic Bags
UPS Loses Family's $846k Inheritance, Offers To Refund $32 Shipping Fee
Teen Suspended From High School After Her Anti-Bullying Video Hurts Principal's Feelings
Alabama Lawmaker: We Shouldn't Arm Teachers Because Most Are Women
Cat Named After Notorious B.I.G. Shot Multiple Times - And Survives
EPA Head Says He Needs To Fly First Class Because People Are Mean To Him In Coach
Apology After Japanese Train Departs 20 Seconds Early
Justin Bieber Banned From China In Order To 'Purify' Nation
Alcohol Level In Air At Fraternity Party Registers On Breathalyzer
NPR Tweets The Declaration Of Independence, And People Freak Out About A 'Revolution'
Man Who Mowed Lawn With Tornado Behind Him Says He 'Was Keeping An Eye On It.'
After Eating Chipotle For 500 Days, An Ohio Man Says He's Ready For Something New
'El Chapo' Promises Not To Kill Any Jurors From Upcoming Federal Trial
After 4th DWI, Man Argues Legal Limit Discriminates Against Alcoholics
Palestinian Judge Bans Divorce During Ramadan Because 'People Make Hasty Decisions When They're Hungry'
Argentinian Officers Fired After Claiming Mice Ate Half A Ton Of Missing Marijuana
'Nobody Kill Anybody': Murder-Free Weekend Urged In Baltimore

6
Your score will be the number of correct outputs divided by the total number of headlinesक्या बायटेकाउंट एक टाई ब्रेकर है?
स्काईड्सदेव

9
मै थोड़ा अस्पष्ट हूँ। आप किस तरह के समाधान की उम्मीद करते हैं? हर समाधान के लिए कुछ हद तक "परीक्षण मामलों के लिए अनुकूलन" होने वाला है, एक एआई लिखना जो अंग्रेजी को समझ सकता है और हास्य के लिए एक समझ है। उदाहरण के लिए, अरनॉल्ड के समाधान से पता चलता है /ly\b/कि केवल इसलिए काम करता है क्योंकि आपके द्वारा चुनी गई 25 प्याज की सुर्खियाँ अधिक विशेषण होती हैं, लेकिन मुझे पता है कि आप इसे आसानी से एक अलग परीक्षण बैटरी के साथ यात्रा कर सकते हैं। और कौन कहता है कि उसके गुणांक को उसके स्कोर का अनुकूलन करने के लिए नहीं चुना गया है? (वह उनका अनुकूलन क्यों नहीं करेगा?)
लिन

10
यह परीक्षण बैटरी थोड़ी असामान्य लगती है। यह एक क्लासिफायर के लिए पूछने जैसा है जो एक तस्वीर में कुत्तों का पता लगा सकता है, लेकिन आपके सकारात्मक परीक्षण के मामलों को कुत्तों की तस्वीरों के रूप में ले सकता है और आपके बज़फीड के लेख से नकारात्मक परीक्षण के मामले "शीर्षक 25 ऑब्जेक्ट्स की कसम आप कुत्ते हैं, लेकिन नप, बदल जाते हैं" आउट वे नहीं हैं! (# 11 आपका दिमाग उड़ा देंगे!) "यह एक कठिन पर्याप्त समस्या को कठिन बनाता है।
सोफिया लेचनर

4
न केवल चुनौती कठिन है, लेकिन यह भी गैर-स्पष्ट है (मेरे लिए) क्या अंतर है। यदि मैं इसे हल नहीं कर सकता, तो निश्चित रूप से मेरा कार्यक्रम इसे हल नहीं कर सकता (जबकि, मुझे विश्वास दिलाता हूं कि यह परीक्षण मामलों के लिए हार्डकोड नहीं है)
user202729

4
brain.jsइस मुद्दे में नमूनों के साथ और दिए गए लिंक से प्रत्येक प्रकार के 100 अन्य नमूनों के साथ, मैंने एक कृत्रिम तंत्रिका नेटवर्क का उपयोग करते हुए और LSTM के प्रशिक्षण के लिए +36 घंटे बिताए , लेकिन परिणाम नए खिताबों के साथ पर्याप्त नहीं था जो प्रशिक्षण सेटों में मौजूद नहीं थे । मैंने किया है: P
Night2

जवाबों:


7

जावास्क्रिप्ट (ईएस 7), 39/50 (78%)

छिपे हुए परीक्षण मामलों पर 63.5% (127/200)

शीर्षक की लंबाई, रिक्त स्थान की संख्या और -lyप्रत्यय के उपयोग के आधार पर एक सरल अनुमानी ।

isOnion = str =>
  str.length ** 0.25 +
  str.split(' ').length ** 1.25 * 2 +
  str.split(/ly\b/).length ** 1.75 * 7
  > 76

इसे ऑनलाइन आज़माएं!


यह कितना सरल है के लिए यह बेतुका प्रभावी है।
डॉन थाउजेंड

इस समाधान ने छिपे हुए परीक्षण मामलों पर 63.5% स्कोर किया, इसलिए यह मान्य है।
मेगो

सैंडबॉक्स की शुरुआत में जितना संभव हो उतना सरल नहीं था (100%, इसे मानकीकृत करने से पहले पूंजीकरण अंतर का उपयोग करना) लेकिन यह वास्तव में सरल है।
जचारि

@Mego केवल जिज्ञासा से बाहर है, क्या यह NSFW संस्करण छिपे हुए परीक्षण मामलों पर स्कोर में सुधार करता है? :)
अरनौलड

@Arnauld उस संस्करण के साथ 66%
Mego

6

पायथन 3, 84%

छिपे हुए परीक्षण मामलों पर अनछुए।

यह विभिन्न सुर्खियों में प्रशिक्षित केर एलएसटीएम आरएनएन का उपयोग करता है। इसे चलाने के लिए आपको Keras को निम्नलिखित और मॉडल की आवश्यकता होती है जिसे मैंने GitHub: repo लिंक पर उपलब्ध कराया है । आपको मॉडल .h5और शब्द / वेक्टर मैपिंग की आवश्यकता होगी.pkl । सबसे नया

निर्भरताएं हैं:

import numpy as np
from pickle import load
from keras.preprocessing import sequence, text
from keras.models import Sequential
from keras.layers import Dense, Embedding, SpatialDropout1D, LSTM, Dropout
from keras.regularizers import l2
import re

सेटिंग्स हैं:

max_headline_length = 70
word_count = 20740

मॉडल है:

model = Sequential()
model.add(Embedding(word_count, 32, input_length=max_headline_length))
model.add(SpatialDropout1D(0.4))
model.add(LSTM(64, kernel_regularizer=l2(0.005), dropout=0.3, recurrent_dropout=0.3))
model.add(Dropout(0.5))
model.add(Dense(32, kernel_regularizer=l2(0.005)))
model.add(Dropout(0.5))
model.add(Dense(2, kernel_regularizer=l2(0.001), activation='softmax'))

अब मॉडल और शब्द एम्बेडिंग को लोड करने के लिए:

model.load_weights('model.h5')
word_to_index = load(open('words.pkl', 'rb'))

और यह जांचने के लिए कि क्या कोई स्ट्रिंग 'NotTheOnion' या 'TheOnion' से है, मैंने एक त्वरित सहायक फ़ंक्शन लिखा है जो स्ट्रिंग को संबंधित शब्द एम्बेडिंग में परिवर्तित करता है:

def get_words(string):
  words = []
  for word in re.finditer("[a-z]+|[\"'.;/!?]", string.lower()):
    words.append(word.group(0))
  return words

def words_to_indexes(words):
  return [word_to_index.get(word, 0) for word in words]

def format_input(word_indexes):
  return sequence.pad_sequences([word_indexes], maxlen=max_headline_length)[0]

def get_type(string):
  words = words_to_indexes(get_words(string))
  result = model.predict(np.array([format_input(words)]))[0]

  if result[0] > result[1]:
    site = 'NotTheOnion'
  else:
    site = 'TheOnion'

  return site

व्याख्या

यह कोड एक मॉडल चलाता है जो शब्दों के बीच के रिश्तों का विश्लेषण शब्दों को 'वेक्टर' के रूप में दर्शाता है। आप यहां शब्द एम्बेडिंग के बारे में अधिक जान सकते हैं ।

यह सुर्खियों में प्रशिक्षित है, लेकिन परीक्षण के मामलों को बाहर रखा गया है

यह प्रक्रिया काफी प्रसंस्करण के बाद स्वचालित है। मैंने अंतिम संसाधित शब्द सूची को वितरित किया है .pklलेकिन शब्द एम्बेडिंग में क्या होता है सबसे पहले हम वाक्य का विश्लेषण करते हैं और शब्दों को अलग करते हैं।

अब हम शब्द के बाद अगले कदम के कुछ शब्दों जैसे के बीच मतभेद और समानता को समझने के लिए सक्षम होने के लिए है kingऔर queenबनाम dukeऔर duchess। ये एम्बेडिंग वास्तविक शब्दों के बीच नहीं होते हैं, बल्कि उन संख्याओं के बीच होते हैं जो उन शब्दों का प्रतिनिधित्व करते हैं जो .pklफ़ाइल में संग्रहीत हैं । जिन शब्दों को मशीन समझ नहीं पाती है, उन्हें एक विशेष शब्द से मैप किया जाता है, <UNK>जो हमें यह समझने की अनुमति देता है कि वहाँ एक शब्द है, लेकिन यह बिल्कुल ज्ञात नहीं है कि इसका अर्थ क्या है।

अब जब शब्दों को समझा जा सकता है, तो शब्दों के अनुक्रम (शीर्षक) का विश्लेषण करने में सक्षम होने की आवश्यकता है। यह वही है जो 'LSTM' करता है, एक LTSM 'RNN' सेल का एक प्रकार है जो लुप्त होती क्रमिक प्रभाव से बचा जाता है। अधिक सरल रूप से, यह शब्दों के अनुक्रम में लेता है और यह हमें उनके बीच संबंधों को खोजने की अनुमति देता है।

अब अंतिम परत है Denseजो मूल रूप से इसका मतलब है कि यह एक सरणी की तरह है जिसका अर्थ है आउटपुट जैसा है [probability_is_not_onion, probability_is_onion]:। यह पता लगाकर कि हम कौन से बड़े हैं, हम यह चुन सकते हैं कि दिए गए शीर्षक के लिए कौन सा सबसे अधिक आश्वस्त परिणाम है।


3

अजगर 3 + केरस, 41/50 = 82%

छिपे हुए परीक्षण मामलों पर 83% (166/200)

import json
import keras
import numpy
import re

from keras import backend as K

STRIP_PUNCTUATION = re.compile(r"[^a-z0-9 ]+")


class AttentionWeightedAverage(keras.engine.Layer):
    def __init__(self, return_attention=False, **kwargs):
        self.init = keras.initializers.get("uniform")
        self.supports_masking = True
        self.return_attention = return_attention
        super(AttentionWeightedAverage, self).__init__(**kwargs)

    def build(self, input_shape):
        self.input_spec = [keras.engine.InputSpec(ndim=3)]
        assert len(input_shape) == 3

        self.W = self.add_weight(shape=(input_shape[2], 1),
                                 name="{}_W".format(self.name),
                                 initializer=self.init)
        self.trainable_weights = [self.W]

        super(AttentionWeightedAverage, self).build(input_shape)

    def call(self, x, mask=None):
        logits = K.dot(x, self.W)
        x_shape = K.shape(x)
        logits = K.reshape(logits, (x_shape[0], x_shape[1]))

        ai = K.exp(logits - K.max(logits, axis=-1, keepdims=True))

        if mask is not None:
            mask = K.cast(mask, K.floatx())
            ai = ai * mask

        att_weights = ai / (K.sum(ai, axis=1, keepdims=True) + K.epsilon())
        weighted_input = x * K.expand_dims(att_weights)

        result = K.sum(weighted_input, axis=1)

        if self.return_attention:
            return [result, att_weights]

        return result

    def get_output_shape_for(self, input_shape):
        return self.compute_output_shape(input_shape)

    def compute_output_shape(self, input_shape):
        output_len = input_shape[2]

        if self.return_attention:
            return [(input_shape[0], output_len), (input_shape[0], input_shape[1])]

        return (input_shape[0], output_len)

    def compute_mask(self, input, input_mask=None):
        if isinstance(input_mask, list):
            return [None] * len(input_mask)
        else:
            return None


if __name__ == "__main__":
    model = keras.models.load_model("combined.h5", custom_objects={"AttentionWeightedAverage": AttentionWeightedAverage})
    with open("vocabulary.json", "r") as fh:
        vocab = json.load(fh)

    while True:
        try:
            headline = input()
        except EOFError:
            break

        tokens = STRIP_PUNCTUATION.sub("", headline.lower()).split()

        inp = numpy.zeros((1, 45))

        for i, token in enumerate(tokens):
            try:
                inp[0,i] = vocab[token]
            except KeyError:
                inp[0,i] = 1

        print(model.predict(inp)[0][0] > 0.3)

combined.h5और यहाँ (बहुत बड़े) और यहाँvocabulary.json से प्राप्त किया जा सकता है

पूरी तरह से जुड़ा हुआ क्लासिफायरियर एक पूर्व-प्रशिक्षित भावना विश्लेषण मॉडल दीपमोजी से जुड़ा हुआ है, जिसमें खड़ी द्वि-दिशात्मक LSTM और एक चौकस तंत्र शामिल हैं। मैंने दीपमोजी परतों को फ्रीज़ किया और अंतिम सॉफ्टमैक्स परत को बाहर निकाला, बस पूरी तरह से जुड़ी परतों को प्रशिक्षित किया, फिर दीपमोजी परतों को उखाड़ फेंका और उन्हें फ़िनटुनिंग के लिए एक साथ प्रशिक्षित किया। चौकस तंत्र https://github.com/bfelbo/DeepMoji/blob/master/deepmoji/attlayer.py से लिया गया है (मैं नहीं चाहता था कि उनके सभी कोड एक वर्ग के लिए निर्भरता के रूप में उपयोग करें, खासकर जब से यह हो अजगर 2 और बल्कि एक मॉड्यूल के रूप में उपयोग करने के लिए तैयार नहीं है ...)

यह Mego के परीक्षण सेट पर आश्चर्यजनक रूप से खराब प्रदर्शन करता है, यह देखते हुए कि मेरे अपने बड़े सत्यापन सेट पर इसे> 90% प्राप्त होता है। इसलिए मैंने अभी तक इसके साथ नहीं किया है।


छिपे हुए परीक्षण मामलों पर 83%, यह मानते हुए कि मैंने इसे सही ढंग से चलाया है
मेगो

1

जावास्क्रिप्ट ( Node.js ), 98% (49/50)

छिपे हुए परीक्षण मामलों पर 96% (192/200)

const words = require('./words');
const bags = require('./bags');

let W = s => s.replace(/[^A-Za-z0-9 ]/g, '').toLowerCase().split(' ').filter(w => w.length > 3);

let M = b => {
    for (let i = 0; i < bags.length; i++) {
        let f = true;
        for (let j = 0; j < bags[i].length; j++) if (!b.includes(bags[i][j])) {
            f = false;
            break;
        }
        if (f) return true;
    }
    return false;
};

let O = s => {
    let b = [];
    W(s).forEach(w => {
        let p = words.indexOf(w);
        if (p >= 0) b.push(p);
    });
    return (b.length > 0 && M(b));
};

इसके लिए दो बड़ी JSON फ़ाइलों की आवश्यकता होती है जो मैं उन्हें यहाँ या "TiO" पर नहीं डाल सकता। कृपया उन्हें निम्न लिंक से डाउनलोड करें और उन्हें जेएस फ़ाइल के समान फ़ोल्डर में words.jsonऔर bags.jsonनामों के साथ सहेजें । परीक्षण मामलों और परिणाम / प्रतिशत मुद्रण के साथ एक जेएस फ़ाइल के लिए एक लिंक भी है। आप अपने छिपे हुए परीक्षण मामलों को onionsऔर nonOnionsचर में रख सकते हैं ।

  • words.json
  • bags.json
  • onion.js (इसमें डिफ़ॉल्ट परीक्षण मामले शामिल हैं)

सभी 3 फाइलों को एक ही डायरेक्टरी में सेव करने के बाद, रन करें node onion.js

Oसमारोह वापस आ जाएगी trueअगर यह प्याज और falseअगर यह नहीं है। इनपुट स्ट्रिंग प्याज है या नहीं, यह पता लगाने के लिए शब्द बैग (आदेश के बिना) की एक बड़ी सूची का उपयोग करता है। हार्ड कोडित की तरह, लेकिन यादृच्छिक परीक्षण मामलों की एक किस्म पर बहुत अच्छी तरह से काम करता है।


इस समाधान को छिपा परीक्षण मामलों पर 96% मिलता है
मेगो

0

अरनुलद के हल से काम करना

जावास्क्रिप्ट (ईएस 6), 41/50

छिपे हुए परीक्षण मामलों पर 64% (128/200)

str.includes("Dad") || str.length ** .25 +
  str.split(' ').length ** 1.25 * 2 +
  str.split(/ly\b/).length ** 1.75 * 7
 > 76

जावास्क्रिप्ट (ईएस 6), 42/50

छिपे हुए परीक्षण मामलों (अमान्य) पर 62.5% (125/200)

isOnion = str =>
  str.includes("Dad") || str.length ** .25 +
  str.split(' ').length ** 1.25 * 2 +
  str.split(' ').filter(w => w.length > 3 && w.split(/ly/).length > 1).length * 23.54 +
 /\d/.test(str) * 8
 > 76

लंबाई + शब्द गणना + "गीत" अवधारणा बहुत अच्छी तरह से काम करती है, मैं "डैड" शब्द की जांच करके कुछ और बिंदुओं को निचोड़ने में सक्षम था (जब वास्तविक लेख शीर्षक में तीसरे व्यक्ति के लोगों के बारे में बात करते हैं?)। "लाइक" सर्च हेयिस्टिक बदलकर और शीर्षक में संख्याओं की उपस्थिति के लिए जाँच करके एक अतिरिक्त बिंदु (जो परीक्षण के बाहर सामान्य मामले में कम मान्य हो सकता है, इसलिए मैंने दोनों समाधान छोड़ दिए)


मैं डैड पार्ट के बारे में नहीं जानता ... थोड़ा सा लगता है जैसे मेरे लिए टेस्ट केस को ऑप्टिमाइज़ करना ...
डॉन थाउजेंड

और हाँ, मैं नॉट ऑनियन लेखों का भरपूर उल्लेख कर सकता हूं जिसमें डैड्स का उल्लेख है
डॉन थाउजेंड

शायद यह एक बेहतर तरीका है कि इसे हेयुरिस्टिक के हिस्से के रूप में करना है और न केवल एक कठिन "जीत" है अगर इसमें डैड शामिल हैं, लेकिन मैं कल्पना भी करता हूं कि टेस्ट डेटाबेस के बाहर भी विशिष्ट "डैड" के बारे में बात करना प्याज पर अधिक आम है
TiKR8383

आपके पहले समाधान ने छिपे हुए परीक्षण मामलों पर 64% स्कोर किया, इसलिए यह मान्य है। आपके दूसरे समाधान ने छिपे हुए परीक्षण मामलों पर 62.5% स्कोर किया, इसलिए यह मान्य नहीं है।
मेगो

@Mego क्या एक करीबी मार्जिन ...
user202729
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.