Il concetto di somiglianza del trigramma si basa sull'avere una frase divisa in "trigrammi" (sequenze di tre lettere consecutive) e sul trattamento del risultato come un SET (cioè:l'ordine non ha importanza e non hai valori ripetuti). Prima di considerare la frase, vengono aggiunti due spazi vuoti all'inizio e uno alla fine e gli spazi singoli vengono sostituiti da spazi doppi.
Trigrammi sono un caso speciale di N-grams .
Il trigramma impostato corrispondente a "Chateau blanc" si trova trovando tutte le sequenze di tre lettere che compaiono su di esso:
chateau blanc
--- => ' c'
--- => ' ch'
--- => 'cha'
--- => 'hat'
--- => 'ate'
--- => 'tea'
--- => 'eau'
--- => 'au '
--- => 'u '
--- => ' b'
--- => ' bl'
--- => 'bla'
--- => 'lan'
--- => 'anc'
--- => 'nc '
Ordinarli ed eliminare le ripetizioni ti dà:
' b'
' c'
' bl'
' ch'
'anc'
'ate'
'au '
'bla'
'cha'
'eau'
'hat'
'lan'
'nc '
'tea'
Questo può essere calcolato da PostgreSQL tramite la funzione show_trgm :
SELECT show_trgm('Chateau blanc') AS A
A = [ b, c, bl, ch,anc,ate,au ,bla,cha,eau,hat,lan,nc ,tea]
... che ha 14 trigrammi. (Controlla pg_trgm ).
E il set di trigrammi corrispondente a "Chateau Cheval Blanc" è:
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]
... che ha 19 trigrammi
Se conteggi quanti trigrammi hanno entrambi i set in comune, scopri che hanno i seguenti:
A intersect B =
[ b, c, bl, ch,anc,ate,au ,bla,cha,eau,hat,lan,nc ,tea]
e quelli che hanno in totale sono:
A union B =
[ b, c, bl, ch,anc,ate,au ,bla,cha,che,eau,evl,hat,hev,la ,lan,nc ,tea,vla]
Cioè, entrambe le frasi hanno 14 trigrammi in comune e 19 in totale.
La somiglianza è calcolata come:
similarity = 14 / 19
Puoi verificarlo con:
SELECT
cast(14.0/19.0 as real) AS computed_result,
similarity('Chateau blanc', 'chateau cheval blanc') AS function_in_pg
e vedrai che ottieni:0.736842
... che spiega come viene calcolata la somiglianza e perché ottieni i valori che ottieni.
NOTA:puoi calcolare l'intersezione e l'unione per mezzo di:
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 ;
E questo è un modo per esplorare la somiglianza di diverse coppie di frasi:
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 ;
Puoi verificarlo su Rextester
