SQL 查询以查找具有最匹配关键字的行

Question

我真的很不擅长 SQL 我想知道 SQL 我可以运行解决我怀疑是 NP 完全问题的问题但是我同意在大型数据集上花费很长时间运行的查询，因为这将作为后台任务完成。首选标准 sql 语句，但如果需要存储过程，那就这样吧。在 Postgres 9.3 上运行需要 SQL。

问题：给定一组包含一组关键词的文章，为每篇文章找到包含最多匹配关键词的前 n 篇文章。

文章 table 的精简版如下所示：

CREATE TABLE article (
  id character varying(36) NOT NULL,  -- primary key of article
  keywords character varying,         -- comma separated set of keywords

  CONSTRAINT pk_article PRIMARY KEY (id)
);

-- Test Data
INSERT INTO article(id, keywords) VALUES(0, 'red,green,blue');
INSERT INTO article(id, keywords) VALUES(1, 'red,green,yellow');
INSERT INTO article(id, keywords) VALUES(2, 'purple,orange,blue');
INSERT INTO article(id, keywords) VALUES(3, 'lime,violet,ruby,teal');
INSERT INTO article(id, keywords) VALUES(4, 'red,green,blue,yellow');
INSERT INTO article(id, keywords) VALUES(5, 'yellow,brown,black');
INSERT INTO article(id, keywords) VALUES(6, 'black,white,blue');

这将导致 SELECT * FROM article; 查询：

Table: article
------------------------
id  keywords            
------------------------
0   red,green,blue      
1   red,green,yellow    
2   purple,orange,blue  
3   lime,violet,ruby,teal
4   red,green,blue,yellow
5   yellow,brown,black
6   black,white,blue

假设我想为每篇文章找到包含最多匹配关键字的前 3 篇文章，那么输出应该是这样的：

------------------------
id  related
------------------------
0   4,1,6
1   4,0,5
2   0,4,6
3   null
4   0,1,6
5   1,6
6   5,0,4

Answer 1

喜欢：使用规范化设计会更简单（除了使其他任务更简单/更清晰），但仍然不简单。

此外，数据类型 character varying(36) 的 PK 列非常可疑（且效率低下），很可能应该是 integer type or at least a uuid。

这是一种基于您的设计的可能解决方案：

WITH cte AS (
   SELECT id, string_to_array(a.keywords, ',') AS keys
   FROM   article a
   )
SELECT id, string_agg(b_id, ',') AS best_matches
FROM  (
   SELECT a.id, b.id AS b_id
        , row_number() OVER (PARTITION BY a.id ORDER BY ct.ct DESC, b.id) AS rn
   FROM   cte a
   LEFT   JOIN cte b ON a.id <> b.id AND a.keys && b.keys
   LEFT   JOIN LATERAL (
      SELECT count(*) AS ct
      FROM  (
         SELECT * FROM unnest(a.keys)
         INTERSECT ALL
         SELECT * FROM unnest(b.keys)
         ) i
      ) ct ON TRUE
   ORDER  BY a.id, ct.ct DESC, b.id  -- b.id as tiebreaker
   ) sub
WHERE  rn < 4
GROUP  BY 1;

sqlfiddle（改为使用整数 id）。

CTE cte 将字符串转换为数组。你甚至可以有一个像这样的功能性 GIN 索引......

如果前 3 顺位有多个行并列，您需要定义一个 决胜局。在我的示例中，id 较小的行排在第一位。

最近相关回答中的详细解释：

比较是在 JSON 数组和 SQL 数组之间进行的，但它基本上是相同的问题，归结为相同的解决方案。还比较了几个类似的替代方案。

为了加快速度，您至少应该在数组列上有一个 GIN 索引（而不是逗号分隔的字符串），并且查询不需要 CTE 步骤。完全规范化的设计还有其他优势，但不一定比具有 GIN 索引的数组更快。

Answer 2

您可以以逗号分隔的字符串形式存储列表。没问题，只要这对您来说只是一个字符串并且您对其单独的值不感兴趣即可。一旦您对单独的值感兴趣，就像在您的示例中一样，请将它们分开存储。

这就是说，纠正你的数据库设计，然后再考虑查询。

下面的查询先选择所有的ID对，统计常用关键字。然后，它通过为另一个 ID 提供共同排名第一的关键字最多的 ID 来对这些对进行排名，等等。然后您只保留三个最匹配的 ID。 STRING_AGG 列出按共同关键字数量排序的字符串中最匹配的 ID。

select 
  this_article as id,
  string_agg(other_article, ',' order by rn) as related
from
(
  select 
    this_article, 
    other_article, 
    row_number() over (partition by this_article order by cnt_common desc) as rn
  from
  (
    select 
      this.id as this_article, 
      other.id as other_article, 
      count(other.id) as cnt_common
    from keywords this
    left join keywords other on other.keyword = this.keyword and other.id <> this.id
    group by this.id, other.id
  ) pairs
) ranked
where rn <= 3
group by this_article
order by this_article;

这里是 SQL fiddle: http://sqlfiddle.com/#!15/1d20c/9.

SQL 查询以查找具有最匹配关键字的行

SQL query to find rows with the most matching keywords

sql

postgresql

np