我真的不擅长 SQL,我想知道我可以运行什么 SQL 来解决我怀疑是 NP-Complete 问题的问题,但我可以接受需要很长时间运行的查询在大型数据集上,因为这将作为后台任务完成。首选标准 sql 语句,但如果需要存储过程,那就这样吧。 SQL 需要在 Postgres 9.3 上运行。
问题:给定一组包含一组关键词的文章,为每篇文章找到包含最多匹配关键词的前 n 篇文章。
文章表的精简版如下所示:
CREATE TABLE article (
id character varying(36) NOT NULL, -- primary key of article
keywords character varying, -- comma separated set of keywords
CONSTRAINT pk_article PRIMARY KEY (id)
);
-- Test Data
INSERT INTO article(id, keywords) VALUES(0, 'red,green,blue');
INSERT INTO article(id, keywords) VALUES(1, 'red,green,yellow');
INSERT INTO article(id, keywords) VALUES(2, 'purple,orange,blue');
INSERT INTO article(id, keywords) VALUES(3, 'lime,violet,ruby,teal');
INSERT INTO article(id, keywords) VALUES(4, 'red,green,blue,yellow');
INSERT INTO article(id, keywords) VALUES(5, 'yellow,brown,black');
INSERT INTO article(id, keywords) VALUES(6, 'black,white,blue');
这将导致 SELECT * FROM article;
查询:
Table: article
------------------------
id keywords
------------------------
0 red,green,blue
1 red,green,yellow
2 purple,orange,blue
3 lime,violet,ruby,teal
4 red,green,blue,yellow
5 yellow,brown,black
6 black,white,blue
假设我想为每篇文章找到包含最多匹配关键字的前 3 篇文章,那么输出应该是这样的:
------------------------
id related
------------------------
0 4,1,6
1 4,0,5
2 0,4,6
3 null
4 0,1,6
5 1,6
6 5,0,4
最佳答案
赞@a_horse commented :使用规范化设计会更简单(除了使其他任务更简单/更清晰),但仍然不是微不足道的。
此外,数据类型为 character varying(36)
的 PK 列非常可疑(且效率低下),很可能是 integer
type。或至少一个 uuid
相反。
根据您的原样设计,这是一种可能的解决方案:
WITH cte AS (
SELECT id, string_to_array(a.keywords, ',') AS keys
FROM article a
)
SELECT id, string_agg(b_id, ',') AS best_matches
FROM (
SELECT a.id, b.id AS b_id
, row_number() OVER (PARTITION BY a.id ORDER BY ct.ct DESC, b.id) AS rn
FROM cte a
LEFT JOIN cte b ON a.id <> b.id AND a.keys && b.keys
LEFT JOIN LATERAL (
SELECT count(*) AS ct
FROM (
SELECT * FROM unnest(a.keys)
INTERSECT ALL
SELECT * FROM unnest(b.keys)
) i
) ct ON TRUE
ORDER BY a.id, ct.ct DESC, b.id -- b.id as tiebreaker
) sub
WHERE rn < 4
GROUP BY 1;
sqlfiddle (使用整数 id
代替)。
CTE cte
将字符串转换为数组。你甚至可以有一个像这样的功能性 GIN 索引......
如果前 3 顺位有多个行并列,您需要定义一个决胜局。在我的示例中,具有较小 id
的行排在第一位。
最近这个相关回答的详细解释:
比较是在 JSON 数组和 SQL 数组之间进行的,但它基本上是同一个问题,归结为相同的解决方案。还比较了几个类似的替代方案。
为了加快速度,您至少应该在数组列上有一个 GIN 索引(而不是逗号分隔的字符串),并且查询不需要 CTE 步骤。完全规范化的设计还有其他优势,但不一定比具有 GIN 索引的数组更快。
关于SQL 查询以查找具有最匹配关键字的行,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/31512506/