如何計算兩個字符串之間的相似性MYSQL

如果我有mysql中兩個字符串：如何計算兩個字符串之間的相似性MYSQL

 
@a="Welcome to Stack Overflow" 
@b=" Hello to stack overflow";

有沒有辦法讓使用MYSQL這兩個字符串之間的相似性百分比是多少？這裏例如3個單詞是相似的，因此相似性應該類似於：
count（@a和@b之間的相似詞）/（count（@a）+ count（@b） - count（intersection））
因此結果是3 /（4 + 4 - 3）= 0.6
任何想法高度讚賞！

來源

2011-03-16 Lina

A [的Levenshtein]（HTTP ：//en.wikipedia.org/wiki/Levenshtein_distance）基於（在字級）距離似乎是一個很好的算法 – RichardTheKiwi 2011-03-16 09:45:33

可以使用此函數（COP^H^H^Hadapted從http://www.artfulsoftware.com/infotree/queries.php#552）：

CREATE FUNCTION `levenshtein`(s1 text, s2 text) RETURNS int(11) 
    DETERMINISTIC 
BEGIN 
    DECLARE s1_len, s2_len, i, j, c, c_temp, cost INT; 
    DECLARE s1_char CHAR; 
    DECLARE cv0, cv1 text; 
    SET s1_len = CHAR_LENGTH(s1), s2_len = CHAR_LENGTH(s2), cv1 = 0x00, j = 1, i = 1, c = 0; 
    IF s1 = s2 THEN 
     RETURN 0; 
    ELSEIF s1_len = 0 THEN 
     RETURN s2_len; 
    ELSEIF s2_len = 0 THEN 
     RETURN s1_len; 
    ELSE 
     WHILE j <= s2_len DO 
     SET cv1 = CONCAT(cv1, UNHEX(HEX(j))), j = j + 1; 
     END WHILE; 
     WHILE i <= s1_len DO 
     SET s1_char = SUBSTRING(s1, i, 1), c = i, cv0 = UNHEX(HEX(i)), j = 1; 
     WHILE j <= s2_len DO 
      SET c = c + 1; 
      IF s1_char = SUBSTRING(s2, j, 1) THEN 
      SET cost = 0; ELSE SET cost = 1; 
      END IF; 
      SET c_temp = CONV(HEX(SUBSTRING(cv1, j, 1)), 16, 10) + cost; 
      IF c > c_temp THEN SET c = c_temp; END IF; 
      SET c_temp = CONV(HEX(SUBSTRING(cv1, j+1, 1)), 16, 10) + 1; 
      IF c > c_temp THEN 
       SET c = c_temp; 
      END IF; 
      SET cv0 = CONCAT(cv0, UNHEX(HEX(c))), j = j + 1; 
     END WHILE; 
     SET cv1 = cv0, i = i + 1; 
     END WHILE; 
    END IF; 
    RETURN c; 
    END

和用於得到它作爲XX％使用此功能

CREATE FUNCTION `levenshtein_ratio`(s1 text, s2 text) RETURNS int(11) 
    DETERMINISTIC 
BEGIN 
    DECLARE s1_len, s2_len, max_len INT; 
    SET s1_len = LENGTH(s1), s2_len = LENGTH(s2); 
    IF s1_len > s2_len THEN 
     SET max_len = s1_len; 
    ELSE 
     SET max_len = s2_len; 
    END IF; 
    RETURN ROUND((1 - LEVENSHTEIN(s1, s2)/max_len) * 100); 
    END

來源

2011-06-17 22:17:26 Alaa

對於初學者：如果您想正確運行CREATE FUNCTION語句，則必須提前設置DELIMITER。請參閱http://stackoverflow.com/a/6740975/2293304 – Rockallite 2015-06-10 09:10:33

更新後的版本位於此處：http://www.artfulsoftware.com/infotree/qrytip.php?id=552 – Rockallite 2015-06-11 03:53:18

@Rockallite請注意，更新後的版本僅使用VARCHAR（255），因此只比較前255個字符 – 2017-07-28 10:21:54

你可以嘗試SOUNDEX算法，採取這裏看看:)

SOUNDEX MySQL

編輯1：

也許關於MySQL的自然語言處理這個環節可能是有用的

Natural Language Full-Text Searches

HTH！

來源

2011-03-16 09:04:32 SubniC

SELECT SOUNDEX（'Welcome to Stack Overflow'）;是W42532321614 \ n SELECT SOUNDEX（'Hello to Stack Overflow'）;是H432321614 \ n 所以什麼!!這是什麼意思:( – Lina 2011-03-16 09:10:37

具有相同的價值發音的單詞是相同的，你可以看看這裏的更多細節https://secure.wikimedia.org/wikipedia/ en/wiki/Soundex，你可以嘗試Levenshtein距離aswel來獲得一個數字值，代表你在句子中必須做出的變化數量（插入，刪除和修改），看起來像其他。https：//secure.wikimedia。 org/wikipedia/en/wiki/Levenshtein_distance – SubniC 2011-03-16 09:14:43

考慮到SOUNDEX只適用於英文。 – SubniC 2011-03-16 09:16:13

，如果你不想寫自己的算法，這可能是對你有所幫助：

http://dev.mysql.com/doc/refman/5.0/en/fulltext-natural-language.html

來源

2011-03-16 09:07:28 DhruvPathak

我已經嘗試過與...相匹配......它會導致糟糕的結果......它會爲不太相似的文章返回更大的結果！ – Lina 2011-03-16 09:12:18

我不認爲有一個不錯的，單步查詢的方式來做到這一點 - 自然語言的東西主要是爲了「谷歌般」搜索而設計的，這聽起來與你正在嘗試做的不同。

取決於你實際上要做的 - 我想你忽略了很多細節 - 我：

創建成拆分每個串入字表中，所有在較低的情況下，剝離出空格和標點 - 在你的榜樣，你會結束：

string_id    word 

1      hello 
1      from 
1      stack 
1      overflow 
2      welcome 
2      from 
2      stack 
2      overflow

然後，您可以運行查詢對這個表 - 例如，

select count(*) 
from stringWords 
where string_id = 2 
and word in 
    (select word 
    from stringWords 
    where string_id = 1);

給你的交集。

然後，您可以創建一個函數或類似的按照您的公式計算相似度。

不是很乾淨，但它應該表現得相當快，它主要是關係型的，它應該基本上與語言無關。爲了處理可能的拼寫錯誤，你可以計算soundex--這將允許你比較「stack」和「stak」，看看他們真的有多相似，儘管這對於英語以外的語言並不可靠。

來源

2011-03-16 09:55:34

如何計算兩個字符串之間的相似性MYSQL

回答

相關問題