PostgreSQL, trigrammer og lighed

Begrebet trigram-lighed er afhængig af at have en hvilken som helst sætning opdelt i "trigrammer" (sekvenser af tre på hinanden følgende bogstaver) og at behandle resultatet som et SET (dvs.:rækkefølgen er ligegyldig, og du har ikke gentagne værdier). Før sætningen overvejes, tilføjes to tomme mellemrum i begyndelsen og et i slutningen, og enkelte mellemrum erstattes af dobbelte.

Trigrammer er et særligt tilfælde af N-grams .

Trigramsættet svarende til "Chateau blanc" findes ved at finde alle sekvenser af tre bogstaver, der vises på det:

  chateau  blanc
---                 => '  c'
 ---                => ' ch'
  ---               => 'cha'
   ---              => 'hat'
    ---             => 'ate'
     ---            => 'tea'
      ---           => 'eau'
       ---          => 'au '
        ---         => 'u  '
         ---        => '  b'
          ---       => ' bl'
           ---      => 'bla'
            ---     => 'lan'
             ---    => 'anc'
              ---   => 'nc '

Ved at sortere dem og fjerne gentagelser får du:

'  b'
'  c'
' bl'
' ch'
'anc'
'ate'
'au '
'bla'
'cha'
'eau'
'hat'
'lan'
'nc '
'tea'

Dette kan beregnes af PostgreSQL ved hjælp af 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. (Tjek pg_trgm ).

Og trigramsættet svarende til "Chateau Cheval Blanc" er:

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

Hvis du tæller, hvor mange trigrammer der har begge sæt til fælles, opdager du, at de har følgende:

A intersect B = 
    [  b,  c, bl, ch,anc,ate,au ,bla,cha,eau,hat,lan,nc ,tea]

og dem de har i alt er:

A union B = 
    [  b,  c, bl, ch,anc,ate,au ,bla,cha,che,eau,evl,hat,hev,la ,lan,nc ,tea,vla]

Det vil sige, at begge sætninger har 14 trigram til fælles og 19 i alt.
Ligheden beregnes som:

 similarity = 14 / 19

Du kan tjekke det med:

SELECT 
    cast(14.0/19.0 as real) AS computed_result, 
    similarity('Chateau blanc', 'chateau cheval blanc') AS function_in_pg

og du vil se, at du får:0.736842

... som forklarer hvordan lighed er beregnet, og hvorfor du får de værdier du får.

BEMÆRK:Du kan beregne krydset og foreningen ved hjælp af:

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 ;

Og dette er en måde at udforske ligheden mellem forskellige sætningspar:

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 tjekke det på Rextester