“你的意思是”字典数据库中的特征

Question

我有一个 ~300.000 行表；其中包括技术术语；使用 PHP 和 MySQL + FULLTEXT 索引进行查询。但是当我搜索一个错误输入的术语时；例如“超文本”；自然不会给出任何结果。

我需要“补偿”一些书写错误并从数据库中获取最近的记录。我怎样才能实现这样的功能？我了解 Levenshtein 距离、Soundex 和 Metaphone 算法，但目前还没有一个可靠的想法来实现它来查询数据库。

谢谢

Answer 1

请参阅本文，了解如何在 MySQL 存储函数中实现 Levenshtein 距离。

对于后代，作者的建议是这样做：

CREATE FUNCTION LEVENSHTEIN (s1 VARCHAR(255), s2 VARCHAR(255))
  RETURNS INT
    DETERMINISTIC
      BEGIN
        DECLARE s1_len, s2_len, i, j, c, c_temp, cost INT;
        DECLARE s1_char CHAR;
        DECLARE cv0, cv1 VARBINARY(256);
        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

他还提供了 LEVENSHTEIN_RATIO 辅助方法，该方法将评估不同字符/总字符的比率，而不是直接的编辑距离。例如，如果为 60%，则源单词中五分之三的字符与目标单词不同。

CREATE FUNCTION LEVENSHTEIN_RATIO (s1 VARCHAR(255), s2 VARCHAR(255))
  RETURNS INT
    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

Answer 2

来自 http://dev.mysql.com/ 的评论doc/refman/5.0/en/udf-compiling.html

现在我从 mysql udf 存储库下载包
http://empyrean.lib.ndsu.nodak.edu/~nem/mysql /

wget http://empyrean.lib.ndsu.nodak.edu/~nem/mysql/udf/dludf.cgi?ckey=28

ll

tar -xzvf dludf.cgi\?ckey\=28

gcc -shared -o libmysqllevenshtein.so mysqllevenshtein.cc -I/usr/include/mysql/

mv libmysqllevenshtein.so /usr/lib

mysql -uroot -pPASS

mysql> use DATABASE

mysql> CREATE FUNCTION levenshtein RETURNS INT SONAME 'libmysqllevenshtein.so';

mysql> select levenshtein(w1.word,w2.word) as dist from word w1, word w2 where ETC........... order by dist asc limit  0,10;

Answer 3

我建议您在查询输入上生成拼写错误变体。

即超文本> { hyperpeext, hipertext, ... } 等

其中之一必然是正确的拼写（尤其是常见的拼写错误）

识别最可能匹配的方法是在索引上查找每个匹配项，该索引会告诉您文档频率该术语的。 （有道理吗？）

Answer 4

为什么不添加一个表列来存储单词的替代形式（例如，Soundex）？这样，如果您的第一个 SELECT 没有找到完全匹配的内容，您可以进行第二次搜索来查找匹配的替代形式。

诀窍是对每个单词进行编码，以便拼写错误的变体最终转换为相同的替代形式。