Begreppet trigramlikhet bygger på att någon mening är uppdelad i "trigram" (sekvenser av tre på varandra följande bokstäver) och att resultatet behandlas som en SET (dvs:ordningen spelar ingen roll, och du har inte upprepade värden). Innan meningen övervägs läggs två tomma mellanslag till i början och ett i slutet, och enstaka mellanslag ersätts med dubbla.
Trigram är ett specialfall av N-gram .
Trigramuppsättningen som motsvarar "Chateau blanc" hittas genom att hitta alla sekvenser av tre bokstäver som visas på den:
chateau blanc
--- => ' c'
--- => ' ch'
--- => 'cha'
--- => 'hat'
--- => 'ate'
--- => 'tea'
--- => 'eau'
--- => 'au '
--- => 'u '
--- => ' b'
--- => ' bl'
--- => 'bla'
--- => 'lan'
--- => 'anc'
--- => 'nc '
Genom att sortera dem och ta bort repetitioner får du:
' b'
' c'
' bl'
' ch'
'anc'
'ate'
'au '
'bla'
'cha'
'eau'
'hat'
'lan'
'nc '
'tea'
Detta kan beräknas av PostgreSQL med hjälp av funktionen show_trgm
:
SELECT show_trgm('Chateau blanc') AS A
A = [ b, c, bl, ch,anc,ate,au ,bla,cha,eau,hat,lan,nc ,tea]
... som har 14 trigram. (Kolla pg_trgm ).
Och trigramuppsättningen som motsvarar "Chateau Cheval Blanc" är:
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]
... som har 19 trigram
Om du räknar hur många trigram som har båda uppsättningarna gemensamma, upptäcker du att de har följande:
A intersect B =
[ b, c, bl, ch,anc,ate,au ,bla,cha,eau,hat,lan,nc ,tea]
och de som de har totalt är:
A union B =
[ b, c, bl, ch,anc,ate,au ,bla,cha,che,eau,evl,hat,hev,la ,lan,nc ,tea,vla]
Det vill säga, båda meningarna har 14 trigram gemensamma och 19 totalt.
Likheten beräknas som:
similarity = 14 / 19
Du kan kontrollera det med:
SELECT
cast(14.0/19.0 as real) AS computed_result,
similarity('Chateau blanc', 'chateau cheval blanc') AS function_in_pg
och du kommer att se att du får:0.736842
... som förklarar hur likhet beräknas och varför du får de värden du får.
OBS:Du kan beräkna korsningen och föreningen med hjälp av:
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 ;
Och det här är ett sätt att utforska likheten mellan olika meningspar:
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 ;
Du kan kontrollera det på Rextester