我有用户对多项选择问题的回复，例如： （大约）：
Married/Single
Male/Female
American/Latin American/European/Asian/African
我想要的是通过将所有响应聚合到单个字段中来估计相似性，该字段可以在数据库中的用户之间进行比较 - 而不是针对每个列运行查询。
因此，例如，某些回复可能如下所示：
Married-Female-American
Single-Female-European
但我不想存储一个大型文本对象来表示所有可能的连接响应，因为它们可能有50个。
那么，是否有某种方法可以使用某种类型的Java库方法更简洁地表示一组响应。
换句话说，此方法需要Married-Female-American并生成代码，比如abc，而Single-Female-European会生成代码，例如def
这样，如果我想知道两个用户是否为Married-Female-Americans，我只需查询一列代码abc。
答案 0 :(得分：6)
好吧，如果它是一个多选题，你可以枚举选择。那就是编号。为什么不使用1-1-2和23-1-75呢？即使你有50个答案，它仍然可以管理。
现在，如果您碰巧需要相似性，聚合是您想要的最后一件事。你想要的是一个简单的id答案数组和一个定义两个答案数组之间的距离的函数。不要使用字符串，不要聚合。保留干净漂亮的矢量，所有ML库都将为您服务。
引用Java ML库，请尝试http://www.cs.waikato.ac.nz/~ml/weka/
更新：您可能想要尝试的另一件事是locality sensitive hashing。在你的情况下，我不认为这是一个好主意，但你的问题看起来像是一个请求。试一试。
答案 1 :(得分：1)
您是否拥有有限数量的选项（多项选择似乎暗示了这一点）？
通过对可用字符串进行索引，从字符串到数字数据集的性能是一种常见的技术。只要你只需要身份，这就是完美的。比较一个整数比比较一个字符串快得多，它们通常也会占用更少的内存。
字符本质上是0-255中的整数，所以你当然可以使用它。
所以只需定义一个字母：
a Married
b Single
c Male
d Female
e American
f Latin American
g European
h Asian
i African
实际上你可以使用它，即使你有超过256个单词，如果它们是位置的（并且没有单个问题有超过256个选项）。然后你会使用
a Q1: Married
b Q1: Single
a Q2: Male
b Q2: Female
a Q3: American
b Q3: Latin American
c Q3: European
d Q3: Asian
e Q3: African
然后，您的示例将被编码为（变体1）ade和bdg或（变体2）aba和bbc。然后字符串的固定长度应为50（如果你有50个问题）并且可以非常有效地存储。
要比较答案，只需访问字符串的n字符即可。也许您的数据库也允许索引子字符串查询。正如您在上面的示例中所看到的，两个字符串仅在第二个字符上一致，就像答案一致。