WN - Matchning av texter, STORT antal

WN (https://www.wn.se/forum/index.php)

- Serversidans teknologier (https://www.wn.se/forum/forumdisplay.php?f=4)

- - Matchning av texter, STORT antal (https://www.wn.se/forum/showthread.php?t=1057881)

Efter lite testande så kom jag fram till två lämpliga funtioner och lite testdata:

Kod:

CREATE FUNCTION [dbo].[split](

          @delimited NVARCHAR(MAX),

          @delimiter NVARCHAR(100)

        ) RETURNS @t TABLE (id INT IDENTITY(1,1), val NVARCHAR(MAX))

        AS

        BEGIN

          DECLARE @xml XML

          SET @xml = N'<t>' + REPLACE(@delimited,@delimiter,'</t><t>') + '</t>'



          INSERT INTO @t(val)

          SELECT  r.value('.','varchar(MAX)') as item

          FROM  @xml.nodes('/t') as records(r)

          RETURN

        END

Kod:

CREATE FUNCTION [dbo].[similarity]

(

  @text1 NVARCHAR(MAX),

  @text2  NVARCHAR(MAX)

) RETURNS real

AS

BEGIN

  DECLARE @similarity real

  DECLARE @similar real

  DECLARE @total real



  select @total=COUNT(*) from Split(@text2,' ')

  

  select @similar=COUNT(*) from Split(@text1,' ')

  WHERE val In (select val from Split(@text2,' '))

  

  set @similarity = @similar / @total

  RETURN @similarity

END

Lite testkörning:

Kod:

Declare @text1 nVarchar(Max) = 'Hello John Smith the first'

Declare @text2  nVarchar(Max) = 'Hello John Smith the second';

Declare @text3  nVarchar(Max) = 'Hello John Smith the second kalle olle ';



select dbo.similarity(@text1,@text2) -- 0,8 -> 80%

select dbo.similarity(@text1,@text3) -- 0,5 -> 50%

Helt OT; men satan vad sjuk SQL-kod du skriver Conny. Är du en artificiell intelligens från framtiden? :D

SplitString() och Split()-funktionerna hittade jag på någon internetsida men funktionen similarity() har jag knackat ihop, jag har bara testat med några få exempel men den ser ut att funka.

"Articifiell intelligens från framtiden" var ett nytt epitet, He, he :-)

Det va väldigt va svårt ni gör de för er själva.
Använd levenshtein-algoritmen för att räkna ut ett normaliserad avstånd mellan två texter. Är värdet mindre än te.x 0.1: lika, annars olika.

7 rader kod i te.x Python eller Ruby.

Citat:

Ursprungligen postat av linusoleander (Inlägg 20469619)

Finns i PHP också, liksom flera andra metoder.

Citat:

Ursprungligen postat av tartareandesire (Inlägg 20469627)

Finns i PHP också, liksom flera andra metoder.

Jaha, vad vill du ha sagt med de? :p

Citat:

Ursprungligen postat av linusoleander (Inlägg 20469628)

Jaha, vad vill du ha sagt med de? :p

Ingenting annat än just det :) Eftersom han hade exempelkod i php ovan så tyckte jag det var värt att nämna :)

Hur många ord är varje text på? Levenshtein och smiliar_text drar ruskigt mycket resurser och det kommer ta otroligt lång tid om det är mer än 20 ord per text. Däremot borde MySQL klara av det med fulltext-index.

Utan att ha testat och bara genom att spekulera tror jag att du hade kunnat få det gjort rätt snabbt genom att loopa igenom dina texter, fråga databasen efter texten, och där id != iterationsID. Får du ett svar som har någon relevans över säg, 50% (justera efter behov), så kan du vara ganska säker på att den är snarlik eller en dublett. Markera upp den tillsammans med iterationsID och kör en manuell koll efteråt.

Detta är nog den mest eleganta och snabbaste lösningen. Funkar inte den så finns det en del vettiga implementationer av Levenshtein för MySQL ute på nätet som är snabbare än PHP's implementation tillsammans med fulltext-index.

http://dev.mysql.com/doc/refman/5.1/...-language.html