Koncept podobnosti trigramů se opírá o to, že každá věta je rozdělena na „trigramy“ (sekvence tří po sobě jdoucích písmen) a výsledek se považuje za SET (tj. na pořadí nezáleží a nemáte opakované hodnoty). Před zvážením věty jsou přidány dvě mezery na začátek a jedna na konec a jednoduché mezery jsou nahrazeny dvojitými.
Trigramy jsou speciálním případem N-gramů .
Sada trigramů odpovídající „Chateau blanc“ se najde nalezením všech sekvencí tří písmen, která se na ní objevují:
chateau blanc
--- => ' c'
--- => ' ch'
--- => 'cha'
--- => 'hat'
--- => 'ate'
--- => 'tea'
--- => 'eau'
--- => 'au '
--- => 'u '
--- => ' b'
--- => ' bl'
--- => 'bla'
--- => 'lan'
--- => 'anc'
--- => 'nc '
Když je seřadíte a vyjmete opakování, získáte:
' b'
' c'
' bl'
' ch'
'anc'
'ate'
'au '
'bla'
'cha'
'eau'
'hat'
'lan'
'nc '
'tea'
To může PostgreSQL vypočítat pomocí funkce show_trgm
:
SELECT show_trgm('Chateau blanc') AS A
A = [ b, c, bl, ch,anc,ate,au ,bla,cha,eau,hat,lan,nc ,tea]
... který má 14 trigramů. (Zkontrolujte pg_trgm ).
A sada trigramů odpovídající "Chateau Cheval Blanc" je:
SELECT show_trgm('Chateau Cheval Blanc') AS B
B = [ b, c, bl, ch,anc,ate,au ,bla,cha,che,eau,evl,hat,hev,la ,lan,nc ,tea,vla]
... který má 19 trigramů
Pokud spočítáte, kolik trigramů má obě sady společné, zjistíte, že mají následující:
A intersect B =
[ b, c, bl, ch,anc,ate,au ,bla,cha,eau,hat,lan,nc ,tea]
a ty, které mají celkem, jsou:
A union B =
[ b, c, bl, ch,anc,ate,au ,bla,cha,che,eau,evl,hat,hev,la ,lan,nc ,tea,vla]
To znamená, že obě věty mají společných 14 trigramů a celkem 19.
Podobnost se vypočítá takto:
similarity = 14 / 19
Můžete to zkontrolovat pomocí:
SELECT
cast(14.0/19.0 as real) AS computed_result,
similarity('Chateau blanc', 'chateau cheval blanc') AS function_in_pg
a uvidíte, že dostanete:0.736842
... což vysvětluje jak podobnost se vypočítává a proč získáte hodnoty, které získáte.
POZNÁMKA:Průsečík a sjednocení můžete vypočítat pomocí:
SELECT
array_agg(t) AS in_common
FROM
(
SELECT unnest(show_trgm('Chateau blanc')) AS t
INTERSECT
SELECT unnest(show_trgm('chateau chevla blanc')) AS t
ORDER BY t
) AS trigrams_in_common ;
SELECT
array_agg(t) AS in_total
FROM
(
SELECT unnest(show_trgm('Chateau blanc')) AS t
UNION
SELECT unnest(show_trgm('chateau chevla blanc')) AS t
) AS trigrams_in_total ;
A toto je způsob, jak prozkoumat podobnost různých párů vět:
WITH p AS
(
SELECT
'This is just a sentence I''ve invented'::text AS f1,
'This is just a sentence I''ve also invented'::text AS f2
),
t1 AS
(
SELECT unnest(show_trgm(f1)) FROM p
),
t2 AS
(
SELECT unnest(show_trgm(f2)) FROM p
),
x AS
(
SELECT
(SELECT count(*) FROM
(SELECT * FROM t1 INTERSECT SELECT * FROM t2) AS s0)::integer AS same,
(SELECT count(*) FROM
(SELECT * FROM t1 UNION SELECT * FROM t2) AS s0)::integer AS total,
similarity(f1, f2) AS sim_2
FROM
p
)
SELECT
same, total, same::real/total::real AS sim_1, sim_2
FROM
x ;
Můžete si to ověřit na Rextester