我最近发布了我的humble side project，并希望在查看提交时添加“相关提交”部分。正如SO在这里做的那样 - 见右栏，标题为“相关”
考虑到每个提交都有一个标题和一组标签，最有效（最佳结果），最有效（快速，内存友好）的方式来查询数据库的相关提交？
我可以想到一种方法来做到这一点（我将作为答案发布），但我很想知道别人有什么要说的。或许已经有了实现这一目标的标准方法？
答案 0 :(得分：3)
这是我的两分钱解决方案：
为了获得最佳输出，我们需要在查询结果上加上“权重”。
首先，假设数据库中的每个提交的权重为零。 然后，如果“池”中的提交与当前提交共享一个标记，我们将向找到的提交添加+3。因此，如果发现另一个提交与当前提交共享两个标签，我们将+6添加到权重。
接下来，我们拆分/标记当前提交的标题并删除“停用词” 我已经看到谷歌的停止词列表，但是现在我将我的停止词定义为：[“of”，“a”，“the”，“in”]
例：
标题“所有时间的最佳提交”
结果数组：[“The”，“Best”，“Submission”，“of”，“All”，“Times”]
删除停用词：[“最佳”，“提交”，“全部”，“时间”]
然后我们在数据库中查询包含任何提到的标题的提交，并为每个结果添加权重：+2
最后按重量对列表进行排序，并取得前N个结果。
答案 1 :(得分：0)
如果我理解得很好，你需要一种技巧来找出两个帖子是否相互“相似”。您可能希望使用概率模型：
http://en.wikipedia.org/wiki/Mutual_information
这个想法是说，如果两个帖子共享很多“不常见”的话，他们可能就同一主题发表意见。对于检测不常见的单词，根据您的应用程序，您可以使用一般频率表，或者更好，自己在帖子的单词世界中构建它（但是你需要有足够的它们才能有相关的东西）
我不会限制自己的标题和标签，但我会在研究中超重。
这种想法在垃圾邮件过滤中非常常见。不幸的是，我有时间进行全面审核，但快速谷歌搜索给出了：
http://www.aclweb.org/anthology/P/P04/P04-3024.pdf karlmicha.googlepages.com/acl2004_poster.pdf