- 综合排序
- 最热优先
- 最新优先
OpenClaw&梅花易数，让(小龙虾)帮你测吉凶！
=(year+month+day)%8upper_trigram_num=8ifupper_trigram_num==0elseupper_trigram_num#计算下卦（年+月+日+时之和除以8取余 ）lower_trigram_num=(year+month+day+hour)%8lower_trigram_num=8iflower_trigram_num==0elselower_trigram_num =数2÷8取余数动爻=(数1+数2)÷6取余数"""upper_trigram_num=num1%8upper_trigram_num=8ifupper_trigram_num==0elseupper_trigram_numlower_trigram_num self.TRIGRAM_NUMBERS[upper_num]lower_trigram=self.TRIGRAM_NUMBERS[lower_num]#本卦（原始卦）original_hexagram ":upper_trigram,"lower_trigram":lower_trigram}defanalyze_relationship(self,upper_trigram,lower_trigram
30331编辑于 2026-03-10- 来自专栏房东的猫
Elasticsearch分词：内置分词器
_1" ] }, "trigram_analyzer_2":{ _2" ] }, "trigram_analyzer_3":{ _3" ] }, "trigram_analyzer_4":{ _4" ] } }, "filter":{ "trigram_filter _1" }, "name4":{ "type":"text", "analyzer":"trigram_analyzer
2.4K71发布于 2020-12-18 - 来自专栏IT技术精选文摘
如何加快MySQL模糊匹配查询
让我演示给你看下名字为Daniel的Trigram： ? 但这有用吗？ 让我给你看一个例子。 您有以下email的schema： ? 表带有这样的数据： ? Trigram表 我创建了这样的表格： ? 我们可以看到，有一个名为“trigram”的索引。 计划是为每个电子邮件地址创建一个trigram。 我写了以下触发器： ? 当有插入时，它创建并将trigrams插入到email_trigram表中。 anderson.pierre的Trigram： ? 由于使用了Trigram,我们正在寻找单词的一部分（如err或ier），可以有很多匹配。 Trigram并不是最好的选择，但我可以看到可能更好的用例。
4.7K50发布于 2018-05-30 - 来自专栏四楼没电梯
PostgreSQL `pg_trgm` 扩展实现高效模糊查询实践
pg_trgm（Trigram Matching）通过将字符串拆分为三元组（trigram），再基于相似度计算进行匹配。 举个例子： 字符串 "postgres" 被拆成以下 trigram： " p", " po", "pos", "ost", "stg", "tgr", "gre", "res", "es " 每个 trigram 都是连续的 3 个字符。 PostgreSQL 会在索引中存储这些 trigram，从而实现近似匹配、模糊搜索、相似度排序等高级能力。 ⚡ 五、使用 pg_trgm + GIN 索引提升性能 -- 创建 trigram 索引 CREATE INDEX idx_users_name_trgm ON users USING gin (name
48310编辑于 2025-10-31 - 来自专栏房东的猫
Elasticsearch使用：Suggester API（二）
", "type":"shingle" }, "trigram_filter } }, "analyzer":{ "trigram_analyzer "filter":[ "lowercase", "trigram_filter "commonname":{ "type":"completion", "analyzer":"trigram_analyzer "drugname":{ "type":"completion", "analyzer":"trigram_analyzer
1.2K91发布于 2021-01-26 - 来自专栏搜索
[ES三周年]使用ES Suggester对ASR语音识别的地址进行纠错
的field，这个trigram是自定义的类型，专门服务phrase suggester。 trigram这个field里有一个自定义的trigram analyzer。 field 是否要加.trigram ？网上的教程会有加.trigram的用法，那到底是用 ner 还是 ner.trigram ？ ner.trigram的行为是，不仅仅用单个词条作为纠错，而是可以将后续的2,3个词，一起作为整体进行纠错。如果建索引和搜索时，采用的是相同粒度的分词，则采用ner即可。 如果建索引采用细粒度分词，搜索的时候，采用粗粒度分词，则采用ner.trigram。Phrase Suggester的参数如何设置？
2.6K50编辑于 2023-02-20 N-gram模型python开发学习日志
例如，当N=1时，模型称为unigram，仅考虑单个词的概率；当N=2时，称为bigram，考虑前一个词来估计当前词的概率；当N=3时，称为trigram，考虑前两个词来估计第三个词的概率，以此类推N-gram 例如，对于句子"The quick brown fox"，作为trigram模型，我们会计算 $P("brown" | "The", "quick")$、$P("fox" | "quick", "brown 本开发案例实现了一个完整的N-gram模型系统，支持unigram、bigram和trigram三种模型。系统设计考虑了可扩展性，便于添加更高阶的N-gram模型。2. __init__(n=2)3.2.4 Trigram模型Trigram模型考虑前两个词对当前词的影响：class TrigramModel(NgramModel): def __init__(self 总结本开发案例实现了一个完整的N-gram模型系统，支持unigram、bigram和trigram三种模型。
25800编辑于 2025-09-27- 来自专栏数据库与编程
Oracle 数据库中的数据质量运算符
BIGRAM 和 TRIGRAM 是 N-gram 匹配技术的实例，该技术计算两个字符串之间公共连续子字符串（gram）的数量。 , col1, col2) as jaro_winkler, fuzzy_match(bigram, col1, col2) as bigram, fuzzy_match(trigram , col1, col2) as trigram, fuzzy_match(whole_word_match, col1, col2) as wwm, fuzzy_match , col1, col2, unscaled) as trigram, fuzzy_match(whole_word_match, col1, col2, unscaled) as wwm unscaled) as lcs from match_tab; COL1 COL2 LEVENSHTEIN JARO_WINKLER BIGRAM TRIGRAM
51810编辑于 2024-01-08 - 来自专栏四楼没电梯
PostgreSQL pg_trgm中文模糊匹配优化技巧
但中文属于「无空格、无词界」的语言，因此直接使用时存在问题： 示例 拆分结果（英文式） 实际语义 影响 张晓明 “张晓明” → “张晓明” (单个 trigram) 张 + 晓 + 明 trigram 方案二：结合全文检索（tsvector） PostgreSQL 内置全文搜索（Full Text Search）可与 trigram 互补。 -- 搜索“张明”相关用户 SELECT * FROM users WHERE name_zh_tsv @@ to_tsquery('张明'); ✅ 优点： 支持中文分词、同义词、前缀匹配 可混合 trigram 如搜索用户、商品、文档），可采用混合策略： SELECT name, similarity(name, '张明') AS sim FROM users WHERE name % '张明' -- trigram
36010编辑于 2025-10-31 - 来自专栏我还不懂对话
DSSM & Multi-view DSSM TensorFlow实现
name_scope: with tf.name_scope('input'): query_batch = tf.sparse_placeholder(tf.float32, shape=[None, TRIGRAM_D ], name='QueryBatch') doc_positive_batch = tf.sparse_placeholder(tf.float32, shape=[None, TRIGRAM_D ], name='DocBatch') doc_negative_batch = tf.sparse_placeholder(tf.float32, shape=[None, TRIGRAM_D normed 单层 with tf.name_scope('FC1'): # 激活函数在BN之后，所以此处为None query_l1 = add_layer(query_batch, TRIGRAM_D , L1_N, activation_function=None) doc_positive_l1 = add_layer(doc_positive_batch, TRIGRAM_D, L1_N
1.3K30发布于 2021-10-19 - 来自专栏全栈程序员必看
DSSM & Multi-view DSSM TensorFlow实现
name_scope: with tf.name_scope('input'): query_batch = tf.sparse_placeholder(tf.float32, shape=[None, TRIGRAM_D ], name='QueryBatch') doc_positive_batch = tf.sparse_placeholder(tf.float32, shape=[None, TRIGRAM_D ], name='DocBatch') doc_negative_batch = tf.sparse_placeholder(tf.float32, shape=[None, TRIGRAM_D return normed 单层 with tf.name_scope('FC1'): # 激活函数在BN之后，所以此处为None query_l1 = add_layer(query_batch, TRIGRAM_D =None) doc_negative_l1 = add_layer(doc_negative_batch, TRIGRAM_D, L1_N, activation_function=None) with
39620编辑于 2022-11-01 - 来自专栏房东的猫
记录：Elasticsearch长文本keyword异常
"analyzer":"index_ansj_analyzer", "type":"text" }, "trigram ":{ "analyzer":"trigram_analyzer", "type":"text" },
1.4K30发布于 2021-07-06 - 来自专栏数据派THU
独家 | 使用Python的LDA主题建模（附链接）
）模型 1. # Build the bigram and trigram models 2. bigram = gensim.models.Phrases(data_words, min_count= 5, threshold=100) # higher threshold fewer phrases. 3. trigram = gensim.models.Phrases(bigram[data_words ], threshold=100) 4. 5. # Faster way to get a sentence clubbed as a trigram/bigram 6. bigram_mod = gensim.models.phrases.Phraser(bigram) 7. trigram_mod = gensim.models.phrases.Phraser(trigram) 8. 9. # See trigram example 10. print(trigram_mod[bigram_mod[data_words[0]]]) 删除停用词（stopword），建立二元模型和词形还原（
6.1K22发布于 2021-04-07 - 来自专栏ATYUN订阅号
文本挖掘和情感分析的基础示例
TRIGRAM Bigram有时是不够的，让我们看看希尔顿夏威夷度假村在TripAdvisor评论中最常见的trigram（三元语法）？ word3 %in% stop_words$word) trigram_counts <- trigrams_filtered %>% count(word1, word2, word3, sort = TRUE) trigrams_united <- trigrams_filtered %>% unite(trigram, word1, word2, word3, sep = " ") trigrams_united %>% count(trigram, sort = TRUE) ? 最常见的trigram 是“hilton hawaiian village”，其次是“hilton hawaiian village”，依此类推。
5.7K10发布于 2018-08-16 - 来自专栏深度学习与python
代码搜索引擎：基础篇
3.2.2 Trigram Russ Cox 在博客 How Google Code Search Worked 中提出用 Trigram 索引来支持代码搜索，其结构与 3.2.1 节中介绍的 3-gram Positional Trigram 与 Trigram 间的关系就是 Positional Postings 与 Postings 间的关系，基本结构如下： { "${trigram}": { " 3.2.5 基于文本索引的查询过程 无论是 Trigram、Positional Trigram 还是 Suffix Array，如果想支持通过正则表达式搜索代码，都要实现以下流程： 将正则表达式转化成子串的 「与」、「或」组合 将子串的组合查询转化成对应的索引查询 (Trigram, Positional Trigram, Suffix Array)执行索引查询，获取候选文档列表 对每个候选文档执行实际的正则表达式 5.1.3 索引 Google Code Search 使用的是最基本的 Trigram Index。
1.3K20编辑于 2023-04-01 - 来自专栏银河系资讯
使用Gensim进行主题建模（一）
5.准备停用词 6.导入新闻组数据 7.删除电子邮件和换行符 8.标记单词和清理文本 9.创建Bigram和Trigram模型 10.删除停用词，制作双字母组合词和词形变换 11.创建所需的词典和语料库主题建模 'enlighten', 'me', 'on', 'this', 'car', 'saw', 'the', 'other', 'day', (..truncated..))]] 9.创建Bigram和Trigram # Build the bigram and trigram models bigram = gensim.models.Phrases(data_words, min_count=5, threshold =100) # higher threshold fewer phrases. trigram = gensim.models.Phrases(bigram[data_words], threshold (bigram) trigram_mod = gensim.models.phrases.Phraser(trigram) # See trigram example print(trigram_mod
4.6K33发布于 2019-05-15 - 来自专栏TonyZhou的专栏
深度学习解决 NLP 问题：语义相似度计算
个字母为一组，#表示开始和结束符），boy 这个单词会被切为 #-b-o, b-o-y, o-y-# 这样做的好处有两个：首先是压缩空间，50 万个词的 one-hot 向量空间可以通过 letter-trigram 3.1 输入层 （1）英文 英文的处理方式，除了上文提到的 letter-trigram，CNN-DSSM 还在输入层增加了word-trigram 如上图所示，word-trigram其实就是一个包含了上下文信息的滑动窗口
这句话提取出前三个词online auto，之后再分别对这三个词进行letter-trigram映射到一个 3 万维的向量空间里，然后把三个向量 concat 起来，最终映射到一个 9 万维的向量空间里 （2）中文 英文的处理方式（word-trigram letter-trigram）在中文中并不可取，因为英文中虽然用了 word-ngram 把样本空间拉成了百万级，但是经过 letter-trigram 而中文如果用 word-trigram，那向量空间就是百万级的了，显然还是字向量（1.5 万维）比较可控。3.9K60发布于 2017-08-02 DSSM：深度语义匹配模型（及其变体CLSM、LSTM-DSSM）
这样做的好处有两个：首先是压缩空间，50 万个词的 one-hot 向量空间可以通过 letter-trigram 压缩为一个 3 万维的向量空间。 3.1 输入层 （1）英文 英文的处理方式，除了上文提到的 letter-trigram，CNN-DSSM 还在输入层增加了word-trigram ? 如上图所示，word-trigram其实就是一个包含了上下文信息的滑动窗口。 举个例子：把
online auto body ... （2）中文 英文的处理方式（word-trigram letter-trigram）在中文中并不可取，因为英文中虽然用了 word-ngram 把样本空间拉成了百万级，但是经过 letter-trigram 而中文如果用 word-trigram，那向量空间就是百万级的了，显然还是字向量（1.5 万维）比较可控。 3.2 表示层 CNN-DSSM 的表示层由一个卷积神经网络组成，如下图所示： ?10.8K50发布于 2018-07-04- 来自专栏四楼没电梯
PostgreSQL `pg_trgm` 性能调优与索引维护
pg_trgm + GIN 索引确实强大，但当表达到千万级后，你可能会遇到这些问题： 问题 表现 原因 索引体积暴涨 GIN 索引文件 > 数据表 trigram 组合多 查询变慢 原本几十毫秒 → 数百毫秒 二、索引膨胀与查询变慢的原理 GIN 索引的结构特点： 类似倒排索引（Inverted Index） 存储大量 trigram → 出现“索引页碎片” 插入频繁时，PostgreSQL 不会立即合并空页 name ~~* '%张%'::text) Planning Time: 0.135 ms Execution Time: 1.920 ms ✅ 若看到 “Bitmap Index Scan”，说明 trigram
22310编辑于 2025-10-31 - 来自专栏超级架构师
【全文搜索】全文搜索 PostgreSQL 或 ElasticSearch
使用 Trigram 最多可以将其减慢 5 倍。 随着数据的增长进行扩展更易于管理，它支持所有搜索选项，例如 Trigram、EdgeGram、Stemming、Fuzziness 在我的本地（Razer Blade 2.4 GHz 6 Core i7 最常用的 NGram 类型是 Trigram 和 EdgeGram。 模糊性：模糊匹配允许您获得不完全匹配的结果。例如，搜索单词框也会返回包含 fox 的结果。常见应用包括拼写检查和垃圾邮件过滤。
3.1K30编辑于 2022-04-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号