如何在层次结构中定位数据项位置？

Question

我需要开发一种算法来定位数据项在某些层次中的位置。我有分类某些数据集元素的层次结构。层次结构是分类学的-顶层元素是最一般的类，它与数据集的任何元素相匹配，更深层次的元素包含更多匹配数据集某些子集的特定类。

例如，考虑游艇的等级。我们在顶层有游艇班。在下一个层次上，我们有帆船和汽车游艇。帆船有两个孩子--巡航游艇和赛车游艇。巡洋舰可以进一步分为制造商，例如巴伐利亚游艇和杜福游艇。然后，每一个类别可以进一步划分为船体类型，长度，帆面积等。

这是dataset中的一个示例：

Drive   Class   Manufacturer   Hull type Len  Sails Area ... Model
Sailing Cruiser Bavaria Yachts Mono-hull 25ft 560sqft    ... Bavaria 32
Sailing Cruiser Dufour Yachts  Mono-hull 27ft 580sqft    ... Dufour 32 Classic

我可以很容易地映射每个样本到层次结构，通过搜索它的深度-第一顺序。

乍一看，这是一个简单的搜索问题，但也存在一些困难。

第一个困难:数据项不一定包含所有元素。数据项缺少10 %到50 %的元素是很常见的。其中许多元素并不是很重要，例如游艇驱动器只能是马达或帆，所以它不会带来很多信息(只有1位)。这些元素可以很容易地使用更重要的元素来推断，例如，如果我们知道帆船模型，我们就可以推断出数据项的所有其他元素(或字段)。

第二个困难:某些元素在不同的数据项之间可能有所不同，即使它们对应于层次结构中相同的位置(相同的游艇模型)。例如，帆的面积可能会有很大的变化，因为船主以不同的方式修改他们的游艇平台，或者仅仅是圆面积的价值。

正如我已经提到的，我需要从层次结构中的数据集中定位不同的数据项。每个数据项可以以不同的精度定位。精度是搜索过程停止的层次结构中的深度。换句话说，我需要在对应于每个数据项的层次结构中获取路径，并且这个路径可能是不完整的。例如，算法可以发现数据项对应于Juliet 23游艇，但生产年份仍然未知。

如果我能用概率测度得到多条路径，那就太酷了。例如，算法可以在不同的生产年份返回Juliet 23的4条路径，每条路径的概率为25%。

此时，我使用深度优先搜索和一些启发式方法来解决这个问题。它给出了良好的结果，但我认为有可能得到更好的结果。也许你可以用更通用的方式来表达这个问题，这样我就能找到一些关于它的学术论文。

Answer 1

我认为SQL确实可以帮助您解决困难，

用于您的第一个困难:使用NVL(字段，值如果为空)

例如:船型和生产年份(如果有的话)，赛艇。

SELECT Y.TYPE, NVL(Y.PRDYEAR, 'UNKNOWN')
FROM T_YACHT Y WHERE Y.CLASS = 'RACING'

获得所有生产年份超过2000年的游艇。

SELECT * FROM T_YACHT Y WHERE
NVL(Y.PRDYEAR,TO_TIMESTAMP('01-01-0001','DD-MM-YYYY'))
    > TO_TIMESTAMP('01-01-2000','DD-MM-YYYY')

用于您的第二个困难:通过级联使用组-SQL\DISTINCT\NVL

看看有多少种赛艇。

SELECT Y.TYPE, COUNT(Y.ID) AS YACHT_TYPE
FROM T_YACHT Y
WHERE Y.CLASS = 'RACING'
GROUP BY Y.TYPE