如何计算MYSQL中两个string之间的相似度
如果我在mysql中有两个string：
@ a =“欢迎使用堆栈溢出” @ b =“你好堆栈溢出”;
有没有办法使用MYSQL获得这两个string之间的相似性百分比？ 这里例如3个词是相似的，因此相似性应该是这样的：
count（@a和@b之间的相似词）/（count（@a）+ count（@b） – count（intersection））
因此结果是3 /（4 + 4 – 3）= 0.6
任何想法是高度赞赏！
你可以使用这个函数（从http://www.artfulsoftware.com/infotree/queries.php#552获得警察;^ H ^ H ^）：
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 并为XX％使用此function
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
我不认为有一个很好的，单步查询方式来做到这一点 – 自然语言的东西主要是为了“谷歌般的”search，这听起来不同于你想要做的。
根据你实际要做的事情 – 我假设你已经遗漏了很多细节 – 我会：
-
创build一个表格，将每个string拆分成单词，全部用小写字母表示，空出标点符号 – 在你的例子中，最后是：
string_id word 1 hello 1 from 1 stack 1 overflow 2 welcome 2 from 2 stack 2 overflow
然后，您可以对该表运行查询 – 例如
select count(*) from stringWords where string_id = 2 and word in (select word from stringWords where string_id = 1);
给你的交集。
然后你可以创build一个函数或类似的按照你的公式计算相似度。
不是很干净，但它应该performance得相当快，它主要是关系型的，它应该主要是语言独立的。 为了处理可能的拼写错误，你可以计算soundex – 这可以让你比较“stack”和“stak”，看看他们真的有多相似，尽pipe这对英语以外的语言来说并不可靠。
你可以试试SOUNDEXalgorithm，看看这里:)
SOUNDEX MySQL
编辑1：
也许这个关于MySQL自然语言处理的链接可能是有用的
自然语言全文search
如何find相似的结果并按相似性sorting？
HTH！
如果您不想编写自己的algorithm，这可能对您有所帮助：
http://dev.mysql.com/doc/refman/5.0/en/fulltext-natural-language.html
