Концепцията за сходство на триграмите разчита на това, че всяко изречение е разделено на „триграми“ (последователности от три последователни букви) и третирането на резултата като SET (т.е.:редът няма значение и нямате повтарящи се стойности). Преди да се разгледа изречението, две празни интервали се добавят в началото и един в края, а единичните интервали се заменят с двойни.
Триграми са специален случай на N-грами .
Комплектът триграми, съответстващ на "Chateau blanc", се намира чрез намиране на всички последователности от три букви, които се появяват върху него:
chateau blanc
--- => ' c'
--- => ' ch'
--- => 'cha'
--- => 'hat'
--- => 'ate'
--- => 'tea'
--- => 'eau'
--- => 'au '
--- => 'u '
--- => ' b'
--- => ' bl'
--- => 'bla'
--- => 'lan'
--- => 'anc'
--- => 'nc '
Сортирането им и премахването на повторения ви осигурява:
' b'
' c'
' bl'
' ch'
'anc'
'ate'
'au '
'bla'
'cha'
'eau'
'hat'
'lan'
'nc '
'tea'
Това може да бъде изчислено от PostgreSQL с помощта на функцията show_trgm
:
SELECT show_trgm('Chateau blanc') AS A
A = [ b, c, bl, ch,anc,ate,au ,bla,cha,eau,hat,lan,nc ,tea]
... който има 14 триграми. (Проверете pg_trgm ).
И комплектът триграми, съответстващ на "Chateau Cheval Blanc" е:
SELECT show_trgm('Chateau Cheval Blanc') AS B
B = [ b, c, bl, ch,anc,ate,au ,bla,cha,che,eau,evl,hat,hev,la ,lan,nc ,tea,vla]
... който има 19 триграми
Ако преброите колко триграми имат и двата набора, ще откриете, че те имат следните:
A intersect B =
[ b, c, bl, ch,anc,ate,au ,bla,cha,eau,hat,lan,nc ,tea]
и тези, които имат общо са:
A union B =
[ b, c, bl, ch,anc,ate,au ,bla,cha,che,eau,evl,hat,hev,la ,lan,nc ,tea,vla]
Тоест двете изречения имат 14 общи триграми и общо 19.
Сходството се изчислява като:
similarity = 14 / 19
Можете да го проверите с:
SELECT
cast(14.0/19.0 as real) AS computed_result,
similarity('Chateau blanc', 'chateau cheval blanc') AS function_in_pg
и ще видите, че получавате:0.736842
... което обяснявакак сходството се изчислява и защо получавате стойностите, които получавате.
ЗАБЕЛЕЖКА:Можете да изчислите пресечната точка и обединението с помощта на:
SELECT
array_agg(t) AS in_common
FROM
(
SELECT unnest(show_trgm('Chateau blanc')) AS t
INTERSECT
SELECT unnest(show_trgm('chateau chevla blanc')) AS t
ORDER BY t
) AS trigrams_in_common ;
SELECT
array_agg(t) AS in_total
FROM
(
SELECT unnest(show_trgm('Chateau blanc')) AS t
UNION
SELECT unnest(show_trgm('chateau chevla blanc')) AS t
) AS trigrams_in_total ;
И това е начин да изследвате сходството на различни двойки изречения:
WITH p AS
(
SELECT
'This is just a sentence I''ve invented'::text AS f1,
'This is just a sentence I''ve also invented'::text AS f2
),
t1 AS
(
SELECT unnest(show_trgm(f1)) FROM p
),
t2 AS
(
SELECT unnest(show_trgm(f2)) FROM p
),
x AS
(
SELECT
(SELECT count(*) FROM
(SELECT * FROM t1 INTERSECT SELECT * FROM t2) AS s0)::integer AS same,
(SELECT count(*) FROM
(SELECT * FROM t1 UNION SELECT * FROM t2) AS s0)::integer AS total,
similarity(f1, f2) AS sim_2
FROM
p
)
SELECT
same, total, same::real/total::real AS sim_1, sim_2
FROM
x ;
Можете да го проверите на Rextester