Question

我正在构建一个用户可以搜索帖子的网站。每个帖子都存储在数据库中。当用户进行搜索时，例如iPad Mini FOR SALE查询将如下所示：

SELECT * FROM testtable WHERE title REGEXP 'iPad|Mini|FOR|SALE'

然后查询将产生以下3个项目：

前两个项目的搜索成功，但第三个项目实际上不属于该组。我想过滤掉它，只是向搜索显示相关项目。我正在考虑删除像for，is，are等常用词，但也许你们有什么建议吗？

旁注：你们推荐“REGEXP”吗？我刚刚看到它，使用它，并没有深入研究它。（不需要回答这个问题只是搜索过滤器问题，但是如果你有一些很好的信息会很棒。）

Answer 1

您还应该查看FULLTEXT搜索。为了使FULLTEXT搜索工作你需要MyIsam MySQL表引擎类型，也有innoDB支持，但我不太了解它。

Answer 2

Answer 3

是，删除常用字词

这些被称为stop words。这些词通常是无关紧要的。

考虑相关性

标题为'ipad mini for sale'的帖子与搜索[ipad mini for sale]的用户非常相关。一篇名为“ipad for sale”的帖子不太相关。一篇名为“奶酪工厂待售”的帖子仍然不太相关。

考虑推导出一种算法，用于计算您认为与您网站上的帖子相关的内容以及用户搜索的字词。

算法可以像查看搜索的术语和帖子标题中术语的出现一样简单。搜索的所有术语是否都出现在标题中？可能非常相关。是否有10％的条款在标题中出现？可能非常无关紧要。

考虑如何计算相关性得分。设置一个阈值，低于该阈值时，结果与结果中的结果无关。根据经验，我建议设定门槛相当高，仅针对高度相关的结果，可能只有在找不到高度相关的结果时才列出不太相关的结果

使用词干

顺便说一句，在搜索中使用词干。词干算法会将单词缩减为常见词干。您将仅搜索词干而不是完整的搜索词。阅读stemming。找到您正在使用的语言的移植器词干算法的实现;这是一个长期存在的算法，从经验来看，它对于大多数应用来说都是快速且非常好的。

<强> REGEXP吗

如果删除停用词并使用基于干的方法，这将是一个不太相关的问题。无论如何，这是一个实施问题，并且可能过于主观，无法为您提供有意义的答案。试试吧，检查一下表现。尝试另一种方法，检查性能。使用最适合你的方式。