如果我在MySQL中有两个字符串:
@a="欢迎来到Stack Overflow" @b="你好,Stack Overflow";
是否有一种方法可以使用MySQL获取这两个字符串之间的相似度百分比呢?
例如,在此示例中有3个相似的单词,因此相似度应该是:
count(@a和@b之间相似的单词数量) / (count(@a)+count(@b) - count(交集))
因此结果为3/(4 + 4-3)= 0.6。
非常感谢您提供任何想法!
如果我在MySQL中有两个字符串:
@a="欢迎来到Stack Overflow" @b="你好,Stack Overflow";
是否有一种方法可以使用MySQL获取这两个字符串之间的相似度百分比呢?
例如,在此示例中有3个相似的单词,因此相似度应该是:
count(@a和@b之间相似的单词数量) / (count(@a)+count(@b) - count(交集))
因此结果为3/(4 + 4-3)= 0.6。
非常感谢您提供任何想法!
您可以使用此函数(改编自http://www.artfulsoftware.com/infotree/queries.php#552):
CREATE FUNCTION `levenshtein`( s1 text, s2 text) RETURNS int(11)
DETERMINISTIC
BEGIN
DECLARE s1_len, s2_len, i, j, c, c_temp, cost INT;
DECLARE s1_char CHAR;
DECLARE cv0, cv1 text;
SET s1_len = CHAR_LENGTH(s1), s2_len = CHAR_LENGTH(s2), cv1 = 0x00, j = 1, i = 1, c = 0;
IF s1 = s2 THEN
RETURN 0;
ELSEIF s1_len = 0 THEN
RETURN s2_len;
ELSEIF s2_len = 0 THEN
RETURN s1_len;
ELSE
WHILE j <= s2_len DO
SET cv1 = CONCAT(cv1, UNHEX(HEX(j))), j = j + 1;
END WHILE;
WHILE i <= s1_len DO
SET s1_char = SUBSTRING(s1, i, 1), c = i, cv0 = UNHEX(HEX(i)), j = 1;
WHILE j <= s2_len DO
SET c = c + 1;
IF s1_char = SUBSTRING(s2, j, 1) THEN
SET cost = 0; ELSE SET cost = 1;
END IF;
SET c_temp = CONV(HEX(SUBSTRING(cv1, j, 1)), 16, 10) + cost;
IF c > c_temp THEN SET c = c_temp; END IF;
SET c_temp = CONV(HEX(SUBSTRING(cv1, j+1, 1)), 16, 10) + 1;
IF c > c_temp THEN
SET c = c_temp;
END IF;
SET cv0 = CONCAT(cv0, UNHEX(HEX(c))), j = j + 1;
END WHILE;
SET cv1 = cv0, i = i + 1;
END WHILE;
END IF;
RETURN c;
END
要将其表示为XX%,请使用此函数
CREATE FUNCTION `levenshtein_ratio`( s1 text, s2 text ) RETURNS int(11)
DETERMINISTIC
BEGIN
DECLARE s1_len, s2_len, max_len INT;
SET s1_len = LENGTH(s1), s2_len = LENGTH(s2);
IF s1_len > s2_len THEN
SET max_len = s1_len;
ELSE
SET max_len = s2_len;
END IF;
RETURN ROUND((1 - LEVENSHTEIN(s1, s2) / max_len) * 100);
END
create a table into which you split each string into words, all in lower case, stripping out spaces and punctuation - in your example, you'd end up with:
string_id word
1 hello
1 from
1 stack
1 overflow
2 welcome
2 from
2 stack
2 overflow
select count(*)
from stringWords
where string_id = 2
and word in
(select word
from stringWords
where string_id = 1);
给你交集。
然后,您可以创建一个函数或类似的东西,根据您的公式计算相似度。
虽然不太干净,但执行起来应该相当迅速,它主要是关系型的,并且应该在很大程度上独立于语言。为了处理可能的拼写错误,您可以计算 soundex - 这将允许您比较 "stack" 和 "stak",并查看它们有多相似,尽管这在其他语言中不可靠。
如果您不想编写自己的算法,这可能对您有所帮助:
http://dev.mysql.com/doc/refman/5.0/en/fulltext-natural-language.html