mysql - 如何找到相似的结果并按相似度排序？

Question

如何查询按相似度排序的记录？

例如。搜索“库存溢出”将返回

堆栈溢出
SharePoint 溢出
数学溢出
政治溢出
视觉特效溢出

例如。搜索“LO”将返回：

巴勃罗毕加索
米开朗琪罗
杰克逊波洛克

我需要帮助：

使用搜索引擎来索引和搜索 MySQL 表，以获得更好的结果
- 使用Sphinx搜索引擎和 PHP
- 在 PHP中使用Lucene引擎
使用全文索引来查找相似/包含的字符串

什么不好用

Levenshtein 距离非常不稳定。（UDF，查询）
搜索“狗”给了我：
1. 狗
2. 沼泽
3. 前
4. 大的
5. 回声
LIKE返回更好的结果，但对于长查询不返回任何内容，尽管确实存在类似的字符串
1. 狗
2. 狗仔队
3. 多加拉尔
4. 教条

score 91 · Accepted Answer

我发现当您针对另一个完整字符串搜索完整字符串时，Levenshtein 距离可能很好，但是当您在字符串中查找关键字时，此方法不会（有时）返回所需的结果。而且，SOUNDEX 功能不适合英语以外的其他语言，所以它是相当有限的。您可以使用 LIKE，但它确实适用于基本搜索。您可能需要查看其他搜索方法以了解您想要实现的目标。例如：

您可以使用Lucene作为您项目的搜索库。它已在大多数主要编程语言中实现，并且速度非常快且用途广泛。这种方法可能是最好的，因为它不仅搜索子字符串，还搜索字母换位、前缀和后缀（全部组合）。但是，您需要保留一个单独的索引（尽管偶尔可以使用 CRON 从独立脚本更新它）。

或者，如果您想要一个 MySQL 解决方案，全文功能非常好，而且肯定比存储过程快。如果您的表不是 MyISAM，您可以创建一个临时表，然后执行全文搜索：

CREATE TABLE IF NOT EXISTS `tests`.`data_table` (
  `id` int(10) unsigned NOT NULL AUTO_INCREMENT,
  `title` varchar(2000) CHARACTER SET latin1 NOT NULL,
  `description` text CHARACTER SET latin1 NOT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB  DEFAULT CHARSET=utf8 COLLATE=utf8_bin AUTO_INCREMENT=1 ;

如果您不想自己创建数据，请使用数据生成器生成一些随机数据...

**注意**：列类型应该是latin1_bin执行区分大小写的搜索，而不是不区分大小写的latin1。对于 unicode 字符串，我建议utf8_bin区分大小写和utf8_general_ci不区分大小写的搜索。

DROP TABLE IF EXISTS `tests`.`data_table_temp`;
CREATE TEMPORARY TABLE `tests`.`data_table_temp`
   SELECT * FROM `tests`.`data_table`;

ALTER TABLE `tests`.`data_table_temp`  ENGINE = MYISAM;

ALTER TABLE `tests`.`data_table_temp` ADD FULLTEXT `FTK_title_description` (
  `title` ,
  `description`
);

SELECT *,
       MATCH (`title`,`description`)
       AGAINST ('+so* +nullam lorem' IN BOOLEAN MODE) as `score`
  FROM `tests`.`data_table_temp`
 WHERE MATCH (`title`,`description`)
       AGAINST ('+so* +nullam lorem' IN BOOLEAN MODE)
 ORDER BY `score` DESC;

DROP TABLE `tests`.`data_table_temp`;

从MySQL API 参考页面了解更多信息

这样做的缺点是它不会寻找字母换位或“相似，听起来像”的词。

**更新**

使用 Lucene 进行搜索，您只需创建一个 cron 作业（所有 Web 主机都具有此“功能”），该作业将简单地执行 PHP 脚本（例如“cd /path/to/script; php searchindexer.php” ) 这将更新索引。原因是索引数千个“文档”（行、数据等）可能需要几秒钟甚至几分钟，但这是为了确保尽可能快地执行所有搜索。因此，您可能希望创建一个延迟作业以由服务器运行。它可能是一夜之间，或者在接下来的一个小时内，这取决于你。PHP 脚本应如下所示：

$indexer = Zend_Search_Lucene::create('/path/to/lucene/data');

Zend_Search_Lucene_Analysis_Analyzer::setDefault(
  // change this option for your need
  new Zend_Search_Lucene_Analysis_Analyzer_Common_Utf8Num_CaseInsensitive()
);

$rowSet = getDataRowSet();  // perform your SQL query to fetch whatever you need to index
foreach ($rowSet as $row) {
   $doc = new Zend_Search_Lucene_Document();
   $doc->addField(Zend_Search_Lucene_Field::text('field1', $row->field1, 'utf-8'))
       ->addField(Zend_Search_Lucene_Field::text('field2', $row->field2, 'utf-8'))
       ->addField(Zend_Search_Lucene_Field::unIndexed('someValue', $someVariable))
       ->addField(Zend_Search_Lucene_Field::unIndexed('someObj', serialize($obj), 'utf-8'))
  ;
  $indexer->addDocument($doc);
}

// ... you can get as many $rowSet as you want and create as many documents
// as you wish... each document doesn't necessarily need the same fields...
// Lucene is pretty flexible on this

$indexer->optimize();  // do this every time you add more data to you indexer...
$indexer->commit();    // finalize the process

然后，这基本上就是您搜索的方式（基本搜索）：

$index = Zend_Search_Lucene::open('/path/to/lucene/data');

// same search options
Zend_Search_Lucene_Analysis_Analyzer::setDefault(
   new Zend_Search_Lucene_Analysis_Analyzer_Common_Utf8Num_CaseInsensitive()
);

Zend_Search_Lucene_Search_QueryParser::setDefaultEncoding('utf-8');

$query = 'php +field1:foo';  // search for the word 'php' in any field,
                                 // +search for 'foo' in field 'field1'

$hits = $index->find($query);

$numHits = count($hits);
foreach ($hits as $hit) {
   $score = $hit->score;  // the hit weight
   $field1 = $hit->field1;
   // etc.
}

这里有关于 Lucene 在Java、PHP和.Net中的很棒的网站。

总之，每种搜索方法都有自己的优缺点：

您提到了Sphinx 搜索，它看起来非常好，只要您可以让守护程序在您的虚拟主机上运行。
Zend Lucene 需要一个 cron 作业来重新索引数据库。虽然它对用户非常透明，但这意味着任何新数据（或已删除的数据！）并不总是与数据库中的数据同步，因此不会立即出现在用户搜索中。
MySQL FULLTEXT 搜索既好又快，但不会为您提供前两者的所有功能和灵活性。

如果我忘记/错过了什么，请随时发表评论。

score 25 · Accepted Answer

1. 相似性

对于 MySQL 中的 Levenshtein，我发现了这个，来自~~www.codejanitor.com/wp/2007/02/10/levenshtein-distance-as-a-mysql-stored-function~~

SELECT 
    column, 
    LEVENSHTEIN(column, 'search_string') AS distance 
FROM table 
WHERE 
    LEVENSHTEIN(column, 'search_string') < distance_limit
ORDER BY distance DESC

2. 包含，不区分大小写

使用LIKEMySQL 的语句，默认不区分大小写。The%是一个通配符，因此在之前和之后可能有任何字符串search_string。

SELECT 
    *
FROM 
    table
WHERE 
    column_name LIKE "%search_string%"

3. 包含，区分大小写

MySQL 手册有助于：

默认字符集和排序规则是 latin1 和 latin1_swedish_ci，因此默认情况下非二进制字符串比较不区分大小写。这意味着如果您使用 col_name LIKE 'a%' 进行搜索，您将获得所有以 A 或 a 开头的列值。要使此搜索区分大小写，请确保其中一个操作数具有区分大小写或二进制排序规则。例如，如果您要比较的列和字符串都具有 latin1 字符集，则可以使用 COLLATE 运算符使任一操作数具有 latin1_general_cs 或 latin1_bin 排序规则...

我的 MySQL 设置不支持latin1_general_csor latin1_bin，但对我来说使用排序规则很好，utf8_bin因为二进制 utf8 区分大小写：

SELECT 
    *
FROM 
    table
WHERE 
    column_name LIKE "%search_string%" COLLATE utf8_bin

2. / 3. 按 Levenshtein 距离排序

SELECT 
    column, 
    LEVENSHTEIN(column, 'search_string') AS distance // for sorting
FROM table 
WHERE 
    column_name LIKE "%search_string%"
    COLLATE utf8_bin // for case sensitivity, just leave out for CI
ORDER BY
    distance
    DESC

score 4 · Accepted Answer

看来您对相似性的定义是语义相似性。因此，为了构建这样的相似度函数，您应该使用语义相似度度量。请注意，该问题的工作范围可能从几小时到几年不等，因此建议在开始工作之前确定范围。我没有弄清楚你有哪些数据来建立相似关系。我假设您可以访问文档数据集和查询数据集。您可以从单词的共现开始（例如，条件概率）。你会很快发现你得到了停用词列表与大多数单词相关，仅仅是因为它们非常流行。使用条件概率的提升将处理停用词，但会使关系在少数情况下容易出错（大多数情况下）。您可以尝试Jacard，但由于它是对称的，因此将找不到许多关系。然后你可能会考虑只出现在距离基本词很近的关系。您可以（并且应该）考虑基于一般语料库（例如，维基百科）和特定用户（例如，他的电子邮件）的关系。

很快你就会有很多相似性度量，当所有度量都很好并且比其他度量有一些优势时。

为了结合这些措施，我喜欢将问题简化为分类问题。

您应该建立一个巴黎单词的数据集并将它们标记为“相关”。为了构建大型标记数据集，您可以：

使用已知相关词的来源（例如，好的旧维基百科类别）作为肯定词
大多数不被称为相关的词都是不相关的。

然后使用您拥有的所有度量作为配对的特征。现在您处于监督分类问题的领域。在数据集上构建分类器，根据您的需求进行评估，并获得适合您需求的相似性度量。

mysql - 如何找到相似的结果并按相似度排序？

我需要帮助：

什么不好用

3 回答 3

Related

Reference