0

我在网站上有数千个页面,我将其解析并存储为倒排索引即

文档

  • 乖巧(PK,FK)
  • 网址
  • 字符数
  • 字数

Charactercount 和 wordcount 帮助我从短文档中确定我以后可能会使用的长文档。

单词

  • wordid (PK,FK)
  • 单词
  • doc_freq
  • inverse_doc_freq

对于 inverse_doc_freq 计算,我使用虚构的高数 (100000000) 来防止重新计算总文档。

位置

  • 词义
  • 温顺的
  • word_freq
  • 重量

(wordid & docid 结合唯一)

权重是在简单的基础上计算的分数,例如标题中的单词 + url 中的单词 + 单词频率等。

我在为搜索词构建 sql 查询时遇到问题。对于 3 字搜索,我正在做

  1. 将查询分解为每个单词
  2. 检查每个单词的 inverse_doc_freq 并移除低 idf 单词(移除停用词)
  3. 词干剩余的单词(假设还剩下 3 个单词)
  4. 查询每个单词

在第 4 阶段,我被卡住了!我的 SQL 查询就像

SELECT d.docid,url,inverse_doc_freq,word_freq,weight from document d,word w,loc l WHERE d.docid=l.docid AND w.wordid=l.wordid AND (word='word1' OR word='word2' OR word='word3') ORDER BY weight DESC

但返回的文件不正确。相信我可能必须搜索三次才能找到每个单词的文档,然后尝试找到常见的文档,但是如何?是否可以只使用 1 个 MySQL 查询?是否可以使用TF-IDF以及如何使用?

4

1 回答 1

1

您需要在文档级别进行聚合。

select d.docid, d.url, sum(weight) as weight
from document d join
     loc l
     on d.docid = l.docid join
     word w
     on w.wordid = l.wordid
where w.word in ('word1', 'word2', 'word3')
group by d.docid
order by weight DESC;
于 2014-05-08T10:53:34.547 回答