如何查询相似度排序的记录?
例如。搜索“库存溢出”将返回
- 堆栈溢出
- SharePoint溢出
- 数学溢出
- 政治溢出
- 视觉特效溢出
例如。搜索“ LO”将返回:
- 巴勃罗毕加索
- 米开朗基罗
- 杰克逊·波洛克
我需要什么帮助:
什么不好
- Levenshtein的距离非常不稳定。(UDF,Query)
搜索“ dog”给我:- 狗
- 沼泽
- 前
- 大
- 回声
LIKE
返回更好的结果,但是长查询没有返回任何结果,尽管确实存在类似的字符串- 狗
- 狗狗
- 多加拉尔
- 教条
如何查询相似度排序的记录?
例如。搜索“库存溢出”将返回
例如。搜索“ LO”将返回:
LIKE
返回更好的结果,但是长查询没有返回任何结果,尽管确实存在类似的字符串
Answers:
我发现,当您针对另一个完整字符串搜索完整字符串时,Levenshtein距离可能很好,但是当您在字符串中查找关键字时,此方法不会返回(有时)所需的结果。此外,SOUNDEX函数不适用于英语以外的其他语言,因此非常有限。您可以通过LIKE摆脱困境,但这实际上是针对基本搜索的。您可能想研究其他搜索方法以获取想要的结果。例如:
您可以将Lucene用作项目的搜索基础。它以大多数主要的编程语言实现,并且非常快速且通用。该方法可能是最好的,因为它不仅搜索子字符串,而且搜索字母转置,前缀和后缀(全部组合)。但是,您需要保留一个单独的索引(尽管有时可以使用CRON从独立脚本中对其进行更新)。
或者,如果您要使用MySQL解决方案,则全文功能相当不错,而且肯定比存储过程快。如果您的表不是MyISAM,则可以创建一个临时表,然后执行全文搜索:
CREATE TABLE IF NOT EXISTS `tests`.`data_table` (
`id` int(10) unsigned NOT NULL AUTO_INCREMENT,
`title` varchar(2000) CHARACTER SET latin1 NOT NULL,
`description` text CHARACTER SET latin1 NOT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8 COLLATE=utf8_bin AUTO_INCREMENT=1 ;
如果您不想自己创建数据,请使用数据生成器生成一些随机数据...
**注意**:列类型应该是latin1_bin
执行区分大小写的搜索,而不是使用不区分大小写的搜索latin1
。对于unicode字符串,我建议utf8_bin
进行区分大小写和utf8_general_ci
不区分大小写的搜索。
DROP TABLE IF EXISTS `tests`.`data_table_temp`;
CREATE TEMPORARY TABLE `tests`.`data_table_temp`
SELECT * FROM `tests`.`data_table`;
ALTER TABLE `tests`.`data_table_temp` ENGINE = MYISAM;
ALTER TABLE `tests`.`data_table_temp` ADD FULLTEXT `FTK_title_description` (
`title` ,
`description`
);
SELECT *,
MATCH (`title`,`description`)
AGAINST ('+so* +nullam lorem' IN BOOLEAN MODE) as `score`
FROM `tests`.`data_table_temp`
WHERE MATCH (`title`,`description`)
AGAINST ('+so* +nullam lorem' IN BOOLEAN MODE)
ORDER BY `score` DESC;
DROP TABLE `tests`.`data_table_temp`;
从MySQL API参考页面中了解更多信息
不利的一面是,它不会寻找字母换位或“相似,听起来像”的单词。
**更新**
使用Lucene进行搜索,您只需要创建一个cron作业(所有Web主机都具有此“功能”),该作业将简单地执行一个PHP脚本(例如,“ cd / path / to / script; php searchindexer.php” ),将更新索引。原因是索引成千上万的“文档”(行,数据等)可能需要几秒钟,甚至是几分钟,但这是为了确保所有搜索都尽可能快地执行。因此,您可能要创建要由服务器运行的延迟作业。可能是一整夜,或者在下一小时,这取决于您。PHP脚本应如下所示:
$indexer = Zend_Search_Lucene::create('/path/to/lucene/data');
Zend_Search_Lucene_Analysis_Analyzer::setDefault(
// change this option for your need
new Zend_Search_Lucene_Analysis_Analyzer_Common_Utf8Num_CaseInsensitive()
);
$rowSet = getDataRowSet(); // perform your SQL query to fetch whatever you need to index
foreach ($rowSet as $row) {
$doc = new Zend_Search_Lucene_Document();
$doc->addField(Zend_Search_Lucene_Field::text('field1', $row->field1, 'utf-8'))
->addField(Zend_Search_Lucene_Field::text('field2', $row->field2, 'utf-8'))
->addField(Zend_Search_Lucene_Field::unIndexed('someValue', $someVariable))
->addField(Zend_Search_Lucene_Field::unIndexed('someObj', serialize($obj), 'utf-8'))
;
$indexer->addDocument($doc);
}
// ... you can get as many $rowSet as you want and create as many documents
// as you wish... each document doesn't necessarily need the same fields...
// Lucene is pretty flexible on this
$indexer->optimize(); // do this every time you add more data to you indexer...
$indexer->commit(); // finalize the process
然后,这基本上就是您搜索(基本搜索)的方式:
$index = Zend_Search_Lucene::open('/path/to/lucene/data');
// same search options
Zend_Search_Lucene_Analysis_Analyzer::setDefault(
new Zend_Search_Lucene_Analysis_Analyzer_Common_Utf8Num_CaseInsensitive()
);
Zend_Search_Lucene_Search_QueryParser::setDefaultEncoding('utf-8');
$query = 'php +field1:foo'; // search for the word 'php' in any field,
// +search for 'foo' in field 'field1'
$hits = $index->find($query);
$numHits = count($hits);
foreach ($hits as $hit) {
$score = $hit->score; // the hit weight
$field1 = $hit->field1;
// etc.
}
这是Java,PHP和.Net中有关Lucene的绝佳网站。
总之,每种搜索方法各有利弊:
如果我忘记/遗漏任何东西,请随时发表评论。
1.相似性
对于MySQL中的Levenshtein,我从www.codejanitor.com/wp/2007/02/10/levenshtein-distance-as-a-mysql-stored-function找到了
SELECT
column,
LEVENSHTEIN(column, 'search_string') AS distance
FROM table
WHERE
LEVENSHTEIN(column, 'search_string') < distance_limit
ORDER BY distance DESC
2.包含,不区分大小写
使用LIKE
MySQL语句,默认情况下不区分大小写。该%
是一个通配符,所以之前和之后,可以有任意的字符串search_string
。
SELECT
*
FROM
table
WHERE
column_name LIKE "%search_string%"
3.包含,区分大小写
在MySQL手册帮助:
默认字符集和排序规则为latin1和latin1_swedish_ci,因此默认情况下非二进制字符串比较不区分大小写。这意味着,如果使用col_name LIKE'a%'搜索,则将获得所有以A或a开头的列值。要使此搜索区分大小写,请确保其中一个操作数具有区分大小写或二进制排序规则。例如,如果要比较均具有latin1字符集的列和字符串,则可以使用COLLATE运算符使两个操作数具有latin1_general_cs或latin1_bin排序规则。
我的MySQL设置不支持latin1_general_cs
或latin1_bin
,但是对我来说使用排序规则的效果很好,utf8_bin
因为二进制utf8区分大小写:
SELECT
*
FROM
table
WHERE
column_name LIKE "%search_string%" COLLATE utf8_bin
2. / 3.按莱文施泰因距离排序
SELECT
column,
LEVENSHTEIN(column, 'search_string') AS distance // for sorting
FROM table
WHERE
column_name LIKE "%search_string%"
COLLATE utf8_bin // for case sensitivity, just leave out for CI
ORDER BY
distance
DESC
看来您对相似性的定义是语义相似性。因此,为了构建这样的相似度函数,您应该使用语义相似度度量。请注意,关于此问题的工作范围可能从数小时到数年不等,因此建议在开始工作之前确定范围。我没有弄清楚您需要哪些数据来建立相似关系。我假设您可以访问文档数据集和查询数据集。您可以从单词的同时出现开始(例如,条件概率)。您会很快发现自己得到了停用词列表与之相关的大多数单词只是因为它们非常流行。使用条件概率的提升将处理停用词,但会使该关系在少数情况下容易出错(大多数情况下)。您可以尝试使用Jacard,但由于它是对称的,因此将找不到许多关系。然后,您可能会考虑仅在距基本单词不远的地方出现的关系。您可以(并且应该)考虑基于一般语料库(例如Wikipedia)和特定于用户(例如他的电子邮件)的关系。
很快,当所有措施都很好并且相对于其他措施有一些优势时,您将拥有大量相似性措施。
为了结合这些措施,我希望将问题简化为分类问题。
您应该建立一个巴黎词组数据集,并将其标记为“相关”。为了构建一个大标签数据集,您可以:
然后将所有具有的度量用作对的特征。现在您处于监督分类问题的领域。在数据集上建立分类器,根据您的需求进行评估,并获得适合您需求的相似性度量。