我試圖在SQL Server 2008 R2中實現BM25算法時遇到了一個問題。我知道SQL Server包含全文搜索選項,該選項已經實現了BM25的一個變體,但我想做一些測試,並且由於FTS程序是不可編輯的(據我所知),我決定自己實現它。SQL Server中的BM25實現
我有兩個表,TF(詞頻)和DF(文檔頻率)具有以下結構:
TF
*注:重量欄表示單詞的重要性(它被通常爲1種)
ID | Term | DocumentID | Count | Weight*
DF
ID | Term | Count
TF表包含術語和文檔之間的關係;即文檔中術語的頻率。 DF表包含有關多少個文檔包含術語的信息。使用這兩個表,我現在想根據Wikipedia article中的公式計算兩個文檔(一個文檔充當查詢)之間的BM25相似性值。表TF和DF轉換爲分別函數f(Q,d)和N(q)中:
我想的結果是在這種格式:
DocumentA_ID | DocumentB_ID | BM25_Value
下面是一些代碼,我到現在爲止:
ALTER PROCEDURE [dbo].[BM25]
-- default parameters k => [1.2 - 2.0], b => [0.0 - 1.0]
@K1 FLOAT = 1.2,
@B FLOAT = 0.75
AS
BEGIN
SET NOCOUNT ON;
DECLARE @N FLOAT;
DECLARE @AVGDL FLOAT;
-- number of all documents
SELECT @N = CAST(COUNT(*) AS FLOAT)
FROM FullDocument;
-- average length of documents (in words)
SELECT @AVGDL = AVG(Length)
FROM (
SELECT DocumentID,
CAST(COUNT(*) AS FLOAT) AS Length
FROM TF
GROUP BY DocumentID
) A;
-- BM25 implementation
-- SELECT TF.Term,
-- TF.DocumentID,
-- C.DocumentLength,
-- LOG((@N - DF.Count + 0.5)/(DF.Count + 0.5)) * (TF.Count * (@K1 + 1))/(TF.Count + @K1 * (1 - @B + @B * (C.DocumentLength/@AVGDL))) AS BM25,
-- Weight
-- FROM TF
-- INNER JOIN DF ON TF.Term = DF.Term
-- INNER JOIN (
-- SELECT DocumentID,
-- COUNT(*) AS DocumentLength
-- FROM TF
-- GROUP BY DocumentID
-- ) C ON TF.DocumentID = C.DocumentID
END
我在構建上一節(BM25實現)中的查詢時遇到問題以獲取所需的結果格式。任何幫助將不勝感激。