如何高效存储大量ngram？

Question

我从十六进制形式的二进制项目中提取 4 克，这意味着每个项目最多可以有 65535 克。

我想将每个项目与其克数及其频率相关联，但我对如何存储所有内容感到困惑 - 这是我的第一次数据挖掘经验，我对最佳实践和常用工具没有任何线索。

我正在简单地考虑在关系数据库中构建一个大表，其模式如 (ITEM-NAME, GRAM1, GRAM2... GRAM65535) 并在其中存储频率，但我可以看到这种方法是由于列数太多，非常不切实际。

我知道一定有更好的解决方案，但我不知道该去哪里寻找。

建议？

Answer 1

存储 ngram 的最佳方式是 prefixTree 恕我直言。
用于非常高效的 lingpipe 库。

树的示例：

 1. gr1
   1. gr2 (item1)
   2. gr3 (item2,item3,item4)
 2. gr3 (item1, tem2)
 3. gr2
  1. g3 (item5,item6)
  2. g4 (item1)

其他选项是以倒排索引的格式存储：
ngramm-> item

gr1 (item1, item2)
gr2 (item1, item3)
gr3 (item2, item3)
gr4 (item1, item2)

注意：第二个选项不存储对于 ngram 至关重要的订单信息...