Концепция подобия триграмм основывается на разделении любого предложения на «триграммы» (последовательности из трех последовательных букв) и обработке результата как SET (то есть: порядок не имеет значения, и у вас нет повторяющихся значений). Перед рассмотрением предложения два пробела добавляются в начале и один в конце, а одиночные пробелы заменяются двойными.
Триграммы - это частный случай N-граммов..
Набор триграмм, соответствующий "Chateau blanc", находится путем нахождения всех последовательностей из трех букв, которые появляются на нем:
chateau blanc
--- => ' c'
--- => ' ch'
--- => 'cha'
--- => 'hat'
--- => 'ate'
--- => 'tea'
--- => 'eau'
--- => 'au '
--- => 'u '
--- => ' b'
--- => ' bl'
--- => 'bla'
--- => 'lan'
--- => 'anc'
--- => 'nc '
Сортировка их и исключение повторов даст вам:
' b'
' c'
' bl'
' ch'
'anc'
'ate'
'au '
'bla'
'cha'
'eau'
'hat'
'lan'
'nc '
'tea'
Это может быть вычислено PostgreSQL с помощью функции show_trgm
:
SELECT show_trgm('Chateau blanc') AS A
A = [ b, c, bl, ch,anc,ate,au ,bla,cha,eau,hat,lan,nc ,tea]
... в котором 14 триграмм. (Проверьте pg_trgm).
И набор триграмм, соответствующий "Chateau Cheval Blanc", таков:
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]
... который имеет 19 триграмм
Если вы посчитаете, сколько триграмм имеют оба общих набора, вы обнаружите, что у них есть следующие:
A intersect B =
[ b, c, bl, ch,anc,ate,au ,bla,cha,eau,hat,lan,nc ,tea]
и всего у них есть:
A union B =
[ b, c, bl, ch,anc,ate,au ,bla,cha,che,eau,evl,hat,hev,la ,lan,nc ,tea,vla]
То есть оба предложения имеют 14 общих триграмм, а всего 19 триграмм.
Сходство вычисляется как:
similarity = 14 / 19
Вы можете проверить это с помощью:
SELECT
cast(14.0/19.0 as real) AS computed_result,
similarity('Chateau blanc', 'chateau cheval blanc') AS function_in_pg
и вы увидите, что получите: 0.736842
... в котором объясняется как вычисляется сходство, и почему вы получаете полученные значения.
ПРИМЕЧАНИЕ. Вы можете вычислить пересечение и объединение с помощью:
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 это способ исследовать сходство разных пар предложений:
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 ;
Вы можете проверить это на Rextester.
person
joanolo
schedule
01.04.2017