Question

我有一个充满亚洲字符填充记录（中文，日文和韩文）的数据库以及带有拉丁字符填充记录的数据库（英文，Français，你的名字），我想对它们进行全文搜索。

MySQL说：

中文等表意语言和日本人没有言语分隔符。因此，FULLTEXT 解析器无法确定哪里的单词在这些和其他这样的开始和结束语言。这意味着什么以及该问题的一些解决方法在11.8节中描述， “全文搜索功能”。

第11.8节实际上没有提供解决方法，甚至没有提到问题。

那么，如何在混合字符数据库中搜索单个中文字符？ %LIKE%会起作用，但它没有漂亮的相关性评级。我应该只计算一个角色出现在记录中的时间，并按此排名吗？我很感激您的任何建议。谢谢！

Answer 1

这取决于数据集的大小。如果我们谈论成千上万行，我可能会看一下优秀的独立全文搜索解决方案。我实际上从来没有处理过这个问题mysqlf，所以我不确定哪些解决方案包含对亚洲语言的支持。

但我知道lucene体育中国，日本和韩国的分析仪，所以我的猜测是它对你正在做的事情有某种支持。当我需要将lucene与php集成时，我通常会做的是将lucene实现为套接字服务器，并从php连接到它。

如果数据集足够小，则可以选择推出自己的临时方法。这个问题分为两部分：检索要排名的文档和实际排名。有几种方法可以进行检索。如果您的数据集足够小，可能就是使用LIKE。另一个可能是推出自己的基于磁盘的索引方案，尽管这将是相当复杂和耗时的。您也可以使用MySQL作为中间路径，如下所述。

为了使用MySQL实现索引方案，您必须创建一些具有以下结构的表：

document
  document_id
  document_text
  document_tokencount

document_token
  document_id
  token_id
  token_docfrequency
  index (token_id, document_id)

token
  token_id
  token_unicode
  token_globalfrequency
  index (token_unicode)

然后我将处理每个文档，并在document_token表中为文档中的每个字符（标记）插入一行。 token_unicode字段将包含用于引用此字符的整数unicode序列。 token_docfrequency字段包含一个整数，对应于文档包含令牌的次数，而token_globalfrequency字段包含所有文档中使用该术语的总次数。

这将允许您快速搜索令牌：

SELECT * FROM document_token WHERE token_id = 1
UNION
SELECT * FROM document_token WHERE token_id = 2
UNION
SELECT * FROM document_token WHERE token_id = 3

（联合方法是一个hack，允许mysql为所有选择使用索引，并且很可能比使用单个select和几个或语句的相应查询更快）

这使得我们将相关性排名作为剩余问题，这是您真正要求的。：）利用Vector Space Model (VSM)可以获得相当好的结果。

进行搜索之后，首先要做的是计算此令牌的tf-idf分数。这是使用以下公式完成的：

tf-idf = tf(t,d) / tf(d) * log(D / d(t))

where:
tf(t,d) = token frequency in current document
tf(d) = total number of tokens in current document
D = total number of documents
d(t) = number of document that contains the token

首先计算搜索查询中每个术语的此分数，并将结果存储在散列图或类似的内容中。这是您的第一个矢量，称为v_1。然后继续第一个文档。计算文档中每个术语的tf-idf分数，并将其存储为v_2。现在，您可以使用cosine similiarity计算此文档的分数：

score = arccos(v_1 * v_2 / (|v_1| * |v_2|))

结果是一个可用于对文档进行排名的值。继续并为每个文档执行此操作。它们按降序排序。列表中的第一个文档将是最相关的文档。

这可能听起来有点复杂，但如果你对线性代数有一些基本的了解，你可能会在几个小时内产生一个有效的解决方案。尽管如此，如果可能的话，使用现有的解决方案，例如lucene。

MySQL Fulltext搜索表意文字（亚洲）字符

1 个答案: