时间戳

首页 > 解决方案 > Mysql全文搜索，自然语言模式：按“亲密度”排序

mysql - Mysql全文搜索，自然语言模式：按“亲密度”排序

问题描述

我正在使用 MYSQL 的全文搜索功能（在 Mysql 5.6.33 中）。

如果我在 NATURAL LANGUAGE 模式下进行 MATCH，对于带有一个字符拼写错误的邮政编码，我会得到一些不错的结果，包括带有“正确”邮政编码的结果，但它们不在顶部附近。

例如，有 10 所学校的邮政编码为"BN2 1TL"。我故意将其拼错"BN2 1TM"并进行如下搜索：

SELECT record_id, address_string, 
  MATCH (address_string) AGAINST ("BN2 1TM" IN NATURAL LANGUAGE MODE) AS score 
  FROM schools 
  WHERE MATCH (address_string) AGAINST ("BN2 1TM" IN NATURAL LANGUAGE MODE) > 0 
  ORDER BY score DESC;

仔细观察，这是因为搜索已经回购了所有在其列中具有"BN2"或的结果，并且它们都具有完全相同的分数，因此有效地按随机顺序排列。."1TM"address_string

这是完全合理的行为，但如果我能得到考虑“接近度”的分数，那就太好了，这意味着，对于 的搜索"BN2 1TM"，"BN2 1TL"得分将高于"BN2 3PQ". 有没有办法做到这一点？

编辑：我记得这种接近在技术上称为“Levenshtein 距离”，它是对Levenshtein 算法的参考，用于确定将一个字符串转换为另一个字符串需要多少次替换。所以我想我的问题可能是“我可以得到 MYSQL FULLTEXT NATURAL LANGUAGE MODE 评分以考虑 Levenshtein 距离”吗？

标签： mysqlpattern-matchingfull-text-searchlevenshtein-distance

解决方案

首先，MySQL 全文在开放式搜索方面不如 Lucene 等专用系统好。

有一种称为Levenshtein distance的算法，它计算字符转换的数量——距离——将一个字符串更改为另一个字符串。

因此，将“BN2 1TM”更改为“BN2 1MT”（换位）的距离为 2。将其更改为“BN2 1TX”的距离为 1。

除非它们几乎完全相同，否则 Levenshtein 距离对于短语并不是非常有用。将“Apache Sphinx”更改为“MySQL FULLTEXT”会给出 14 的距离，即较长字符串的长度。但它对于邮政编码、零件编号和其他简短的结构化单词很有用。

您可以尝试这样的方法来首先获得最接近的值。

  SELECT city, county, postcode
    FROM table
   ORDER BY levenshtein(postcode, 'BN2 1MT') ASC

然后，您只需要一个存储函数来计算 Levenshtein 距离。（这不是 FULLTEXT 内置的。）

从这个来源，这里有一个这样的存储函数。但请注意，它并不快，而且它不能使用索引。因此，如果您可以在执行此操作之前缩小搜索范围，您将获得更好的性能。

DELIMITER $$
CREATE FUNCTION levenshtein( s1 VARCHAR(255), s2 VARCHAR(255) )
    RETURNS INT
    DETERMINISTIC
    BEGIN
        DECLARE s1_len, s2_len, i, j, c, c_temp, cost INT;
        DECLARE s1_char CHAR;
        -- max strlen=255
        DECLARE cv0, cv1 VARBINARY(256);

        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$$
DELIMITER ;

推荐阅读