PostgreSQL, триграми и подобие

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