如何查询按相似性排序的记录?
例如:搜索“股票溢出”将返回
例如:搜索"LO“将返回:
我需要帮助的是:
- Using the [Sphinx](http://www.sphinxsearch.com/) search engine, with PHP
- Using the [Lucene](http://lucene.apache.org/) engine with PHP
不好的事
LIKE返回更好的结果,但是对于长查询不返回任何内容,尽管类似的字符串确实存在。
发布于 2010-07-26 21:08:30
我已经发现,当您针对另一个完整字符串搜索完整字符串时,Levenshtein距离可能是很好的,但是当您在字符串中查找关键字时,此方法不返回(有时)希望得到的结果。此外,SOUNDEX功能不适用于英语以外的语言,因此它是相当有限的。你可以用“喜欢”来逃避,但实际上是为了基本的搜索。您可能希望查看其他搜索方法,以了解您想要实现的目标。例如:
您可以使用卢塞尼作为项目的搜索基础。它是用大多数主要的编程语言实现的,而且非常快速和通用。这种方法可能是最好的,因为它不仅搜索子字符串,而且还搜索字母换位、前缀和后缀(全部合并)。但是,您需要保留一个单独的索引(使用CRON从独立的脚本中偶尔更新它)。
或者,如果您想要一个MySQL解决方案,那么完整的文本功能是非常好的,当然比存储过程更快。如果表不是MyISAM,则可以创建临时表,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 ;使用数据发生器生成一些随机数据,如果您不想自己创建它.
** 备注 **:列类型应为latin1_bin,以执行区分大小写的搜索,而不是对latin1不区分大小写。对于unicode字符串,我建议utf8_bin用于区分大小写,utf8_general_ci用于区分大小写的搜索。
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参考页面上了解更多关于它的信息
这样做的缺点是,它不会寻找字母换位或“类似,听起来像”的词。
** 更新 **
使用Lucene进行搜索,您只需创建一个cron作业(所有web主机都有此“功能”),该作业只需执行PHP脚本(例如。将更新索引的"cd /path/to/script;php searchindexer.php")。其原因是索引了数千个“文档”(行、数据等)。可能需要几秒钟,甚至几分钟,但这是为了确保所有搜索都尽可能快地执行。因此,您可能希望创建一个要由服务器运行的延迟作业。这可能是一夜之间,或在下一个小时,这取决于你。PHP脚本应该如下所示:
$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,基本上是这样搜索(基本搜索):
$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.
}以下是Java、PHP和.Net中有关Lucene的优秀站点。
总结说,每种搜索方法都有各自的优缺点:
如果我忘了/错过了什么,请随时发表意见。
发布于 2015-11-06 10:22:58
你对相似性的定义似乎是语义相似。因此,为了建立这样一个相似函数,您应该使用语义相似性度量。请注意,在这个问题上的工作范围可能从几个小时到几年不等,因此建议在开始工作之前确定范围。我不知道你有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。你可以从单词的共现开始(例如,条件概率)。您很快就会发现,您得到的止词列表与大多数单词相关,因为它们非常受欢迎。使用条件概率的提升将处理停止词,但会使关系容易出现小数目错误(大多数情况下)。你可以试试夹克衫,但是由于它是对称的,所以会有很多关系是它找不到的。然后,您可以考虑那些只出现在离基词很近的地方的关系。你可以(而且应该)根据一般语料库(例如维基百科)和特定用户(例如他的电子邮件)来考虑关系。
很快你就会有很多相似的度量,当所有的度量都是好的并且比其他的有一些优势的时候。
为了把这些措施结合起来,我想把这个问题归结为一个分类问题。
你应该建立一个巴黎的数据集,并将它们标记为“是相关的”。为了构建一个大的标记数据集,您可以:
然后使用所有的度量作为对的特征。现在您正处于监督分类问题的领域。在数据集上构建一个分类器,根据您的需要进行评估,并获得一个适合您需要的相似性度量。
https://stackoverflow.com/questions/3338889
复制相似问题