17

我有 2,500,000 个产品名称,我想尝试将它们组合在一起,即查找具有相似名称的产品。例如,我可以拥有三种产品:

  • 亨氏焗豆 400g;
  • Hz Bkd 豆 400g;
  • 亨氏豆 400g。

它们实际上是相同的产品,可以合并在一起。

我的计划是使用Jaro-Winkler 距离的实现来查找匹配项。该过程如下:

  • 列出内存中所有产品名称的大清单;
  • 选择列表中的第一个产品;
  • 将其与列表中紧随其后的每个产品进行比较并计算“Jaro 分数”;
  • 报告任何具有高匹配度(例如 0.95f 或更高)的产品;
  • 转到下一个产品。

所以这有一些优化,因为它只匹配每个产品的一种方式,节省了一半的处理时间。

我对此进行了编码并进行了测试。它运行良好,并找到了数十个匹配项进行调查。

将 1 个产品与 2,500,000 个其他产品进行比较并计算“Jaro 分数”大约需要 20 秒。假设我的计算是正确的,这意味着完成处理需要一年的大部分时间。

显然这是不切实际的。

我让同事检查了代码,他们设法将 Jaro 分数计算部分的速度提高了 20%。他们使该过程成为多线程的,这使它更快一点。我们还删除了一些存储的信息,将其简化为产品名称和唯一标识符列表;这似乎对处理时间没有任何影响。

有了这些改进,我们仍然认为这需要几个月的时间来处理,我们需要几个小时(或最多几天)。

我不想介绍太多细节,因为我认为这并不完全相关,但我将产品详细信息加载到列表中:

private class Product
{
    public int MemberId;
    public string MemberName;
    public int ProductId;
    public string ProductCode;
    public string ProductName;
}
private class ProductList : List<Product> { }
private readonly ProductList _pl = new ProductList();

然后我使用以下内容来处理每个产品:

{Outer loop...
var match = _pl[matchCount];

for (int count = 1; count < _pl.Count; count++)
{
    var search = _pl[count];
    //Don't match products with themselves (redundant in a one-tailed match)
    if (search.MemberId == match.MemberId && search.ProductId == match.ProductId)
        continue;
    float jaro = Jaro.GetJaro(search.ProductName, match.ProductName);

    //We only log matches that pass the criteria
    if (jaro > target)
    {
        //Load the details into the grid
        var row = new string[7];
        row[0] = search.MemberName;
        row[1] = search.ProductCode;
        row[2] = search.ProductName;
        row[3] = match.MemberName;
        row[4] = match.ProductCode;
        row[5] = match.ProductName;
        row[6] = (jaro*100).ToString("#,##0.0000");
        JaroGrid.Rows.Add(row);
    }
}

我认为出于这个问题的目的,我们可以假设 Jaro.GetJaro 方法是一个“黑匣子”,即它如何工作并不重要,因为这部分代码已经尽可能地优化,我可以'不认为它可以如何改进。

关于模糊匹配此产品列表的更好方法的任何想法?

我想知道是否有一种“聪明”的方式来预处理列表,以便在匹配过程开始时获得大多数匹配项。例如,如果比较所有产品需要 3 个月,但比较“可能”的产品只需要 3 天,那么我们可以忍受这种情况。

好的,出现了两个常见的事情。首先,是的,我确实利用了单尾匹配过程。真正的代码是:

for (int count = matchCount + 1; count < _pl.Count; count++)

我很遗憾发布修改后的版本;我试图简化一点(坏主意)。

其次,很多人想看 Jaro 代码,所以就到这里了(它很长,而且它最初不是我的——我什至可能在这里某个地方找到它?)。顺便说一句,我喜欢一旦出现糟糕的比赛就在完成前退出的想法。我现在就开始看那个!

using System;
using System.Text;

namespace EPICFuzzyMatching
{
    public static class Jaro
    {
        private static string CleanString(string clean)
        {
            clean = clean.ToUpper();
            return clean;
        }

        //Gets the similarity of the two strings using Jaro distance
        //param string1 the first input string
        //param string2 the second input string
        //return a value between 0-1 of the similarity
        public static float GetJaro(String string1, String string2)
        {
            //Clean the strings, we do some tricks here to help matching
            string1 = CleanString(string1);
            string2 = CleanString(string2);

            //Get half the length of the string rounded up - (this is the distance used for acceptable transpositions)
            int halflen = ((Math.Min(string1.Length, string2.Length)) / 2) + ((Math.Min(string1.Length, string2.Length)) % 2);

            //Get common characters
            String common1 = GetCommonCharacters(string1, string2, halflen);
            String common2 = GetCommonCharacters(string2, string1, halflen);

            //Check for zero in common
            if (common1.Length == 0 || common2.Length == 0)
                return 0.0f;

            //Check for same length common strings returning 0.0f is not the same
            if (common1.Length != common2.Length)
                return 0.0f;

            //Get the number of transpositions
            int transpositions = 0;
            int n = common1.Length;
            for (int i = 0; i < n; i++)
            {
                if (common1[i] != common2[i])
                    transpositions++;
            }
            transpositions /= 2;

            //Calculate jaro metric
            return (common1.Length / ((float)string1.Length) + common2.Length / ((float)string2.Length) + (common1.Length - transpositions) / ((float)common1.Length)) / 3.0f;
        }

        //Returns a string buffer of characters from string1 within string2 if they are of a given
        //distance seperation from the position in string1.
        //param string1
        //param string2
        //param distanceSep
        //return a string buffer of characters from string1 within string2 if they are of a given
        //distance seperation from the position in string1
        private static String GetCommonCharacters(String string1, String string2, int distanceSep)
        {
            //Create a return buffer of characters
            var returnCommons = new StringBuilder(string1.Length);

            //Create a copy of string2 for processing
            var copy = new StringBuilder(string2);

            //Iterate over string1
            int n = string1.Length;
            int m = string2.Length;
            for (int i = 0; i < n; i++)
            {
                char ch = string1[i];

                //Set boolean for quick loop exit if found
                bool foundIt = false;

                //Compare char with range of characters to either side
                for (int j = Math.Max(0, i - distanceSep); !foundIt && j < Math.Min(i + distanceSep, m); j++)
                {
                    //Check if found
                    if (copy[j] == ch)
                    {
                        foundIt = true;
                        //Append character found
                        returnCommons.Append(ch);
                        //Alter copied string2 for processing
                        copy[j] = (char)0;
                    }
                }
            }
            return returnCommons.ToString();
        }
    }
}

看到这个问题仍然有一些观点,我想我会快速更新发生的事情:

  • 我真的希望我最初发布了我正在使用的实际代码,因为人们仍然告诉我要进行一半的迭代(显然没有阅读超过第一段左右的内容);
  • 我采纳了这里提出的一些建议,以及 SO 以外的其他人提出的一些建议,并将运行时间缩短到 70 小时左右;
  • 主要的改进是对数据进行预处理,只考虑具有相当高销售额的商品。不是很好,但它使工作量大大减少;
  • 我的笔记本电脑过热时遇到了问题,所以我在一个周末用冰箱里的笔记本电脑完成了大部分工作。在这样做的过程中,我了解到冰箱不是笔记本电脑的好环境(太潮湿),大约一周后我的笔记本电脑就死了;
  • 最终结果是我实现了我打算做的事情,也许没有我希望的那么全面,但总的来说,我认为这是成功的;
  • 为什么我不接受答案?好吧,实际上下面的答案都没有完全解决我最初的问题,虽然它们大多有帮助(在我第一次发布这个问题后的几年里出现的一些答案肯定没有帮助),我觉得选择一个作为“答案”是不公平的”。
4

3 回答 3

3

恕我直言,您绝对应该发布 GetJaro() 代码,因为它是您程序中需要时间的部分。

它涉及字符串操作并被执行数百万次。如果 StackOverflow 用户看到更多改进,这些改进只会删除一小部分计算时间,那么这将比删除列表处理的微秒时间带来更多的整体时间改进。

tl; dr:优化需要时间的代码,而不是围绕它的循环。

编辑:我必须把这个放到答案中。不要使用浮点数,而是使用整数类型。它们的速度要快得多,因为它们不需要 FPU。我也建议对输入进行规范化,如 ToUpper() 或其他使所有项目在外观上“相似”的东西。

于 2013-09-20T12:29:01.100 回答
3

首先,看起来“外循环”也在循环_pl,因为你有 amatchCount然后从中取出 a match

如果我在这方面是正确的,那么您的循环计数器count应该从 开始matchCount,这样您就不会测试 a 与 b,然后再测试 b 与 a。它将消除您在循环顶部检查项目本身的需要,并将您的迭代次数减少一半。

编辑,另一个想法

有人说你应该预处理你的匹配字符串,这样你就不会重复上面的操作ToUpper。如果你这样做,你可以做其他事情(可能很小)。

在匹配字符串中搜索双字母。如果找到任何内容,请将它们从匹配字符串中删除,但请标记您已这样做(存储字母加倍的索引列表)。在内部GetCommonCharacters,与该字母的单个剩余实例进行比较时,只需将循环结束条件加 1。随后的比较也需要针对缺失的字母进行调整。具体来说,让你的循环从i - distanceSepi + distanceSep + 1(当然保持最小和最大检查)。

假设您string1包含“ee”,其中distanceSep1 个。而不是 6 次比较,您节省了 4、33%。越高,节省越大distanceSep。如果是 2,您将从 10 下降到 6,节省 40%。

一个令人困惑的例子。string1有“ee”,string2只有“abcd”,所以它不会匹配。distanceSep是 1. 不必比较 "e/a", "e/b", "e/c" ... 然后 "e/b", "e/c", "e/d",杀死第二个 'e'string1并且仅将 e 与所有四个字母进行比较。

于 2013-09-20T12:13:58.723 回答
1

根本问题是您正在比较每对记录。这意味着您必须进行的比较次数为 0.5 * N * (N-1) 或 O(N^2)。

你需要找到一种方法来减少这种情况。有几种方法可以做到这一点,但最简单的方法称为“阻塞”。基本上,您将数据分解为已经具有共同点的记录组例如common wordfirst three characters。然后你只比较一个块内的记录。

在最坏的情况下,复杂度仍然是 O(N^2)。在最好的情况下,它是 O(N)。在实践中不会看到最坏或最好的情况。通常,阻塞可以将比较次数减少 99.9% 以上。

dedupe python 库实现了许多阻塞技术,文档很好地概述了一般方法

于 2016-09-17T16:13:07.887 回答