在RDBMS中存储uni/bi/trigrams ngrams的正确方法？

Question

我有一系列unigrams(单字),bigrams(两个单词)和trigrams(三个单词),我从一堆文件中提取出来.我的目标是静态分析报告以及我可以在这些文档上使用的搜索.

John Doe
Xeon 5668x
corporate tax rates
beach
tax plan
Porta San Giovanni

ngrams由日期和文档标记.因此,例如,我可以找到双字母组合之间的关系,以及它们的短语首次出现时以及文档之间的关系.我还可以搜索包含这些X个un/bi/trigram短语的文档.

所以我的问题是如何存储它们来优化这些搜索.

最简单的方法只是每个短语的一个简单的字符串列,然后每次在文档中找到该单词/短语时,我都会向document_ngram表添加关系.

table document
{
    id
    text
    date
}

table ngram
{
    id
    ngram varchar(200);
}

table document_ngram
{
    id
    ngram_id
    document_id
    date
}

但是,这意味着如果我想通过三字母搜索单个单词,我必须使用字符串搜索.例如,假设我想要所有包含"summer"字样的三元组.

所以,如果我将这些单词分开,以便ngram中存储的唯一内容是单个单词,那么添加三列,以便所有1,2和3个单词链可以放在里面document_ngram？

table document_ngram
{
    id
    word1_id NOT NULL
    word2_id DEFAULT NULL
    word3_id DEFAULT NULL
    document_id
    date
}

这是正确的方法吗？他们是更好的方式吗？我目前正在使用PostgreSQL和MySQL,但我相信这是一个通用的SQL问题.

Answer 1

这就是我对数据进行建模的方法(请注意''被引用两次)您还可以为单个单词添加权重.

DROP SCHEMA ngram CASCADE;
CREATE SCHEMA ngram;

SET search_path='ngram';

CREATE table word
    ( word_id INTEGER PRIMARY KEY 
    , the_word varchar
    , constraint word_the_word UNIQUE (the_word)
    );  
CREATE table ngram
    ( ngram_id INTEGER  PRIMARY KEY 
    , n INTEGER NOT NULL -- arity
    , weight REAL -- payload
    );  

CREATE TABLE ngram_word
    ( ngram_id INTEGER NOT NULL REFERENCES ngram(ngram_id)
    , seq INTEGER NOT NULL
    , word_id INTEGER NOT NULL REFERENCES word(word_id)
    , PRIMARY KEY (ngram_id,seq)
    );  

INSERT INTO word(word_id,the_word) VALUES
(1, 'the') ,(2, 'man') ,(3, 'who') ,(4, 'sold') ,(5, 'world' );

INSERT INTO ngram(ngram_id, n, weight) VALUES
(101, 6, 1.0);

INSERT INTO ngram_word(ngram_id,seq,word_id) VALUES
( 101, 1, 1)
, ( 101, 2, 2)
, ( 101, 3, 3)
, ( 101, 4, 4)
, ( 101, 5, 1)
, ( 101, 6, 5)
    ;   

SELECT w.*
FROM ngram_word nw
JOIN word w ON w.word_id = nw.word_id
WHERE ngram_id = 101
ORDER BY seq;

结果:

 word_id | the_word 
---------+----------
       1 | the
       2 | man
       3 | who
       4 | sold
       1 | the
       5 | world
(6 rows)

现在,假设您要为现有(6克)数据添加4克:

INSERT INTO word(word_id,the_word) VALUES
(6, 'is') ,(7, 'lost') ;

INSERT INTO ngram(ngram_id, n, weight) VALUES
(102, 4, 0.1);

INSERT INTO ngram_word(ngram_id,seq,word_id) VALUES
( 102, 1, 1)
, ( 102, 2, 2)
, ( 102, 3, 6)
, ( 102, 4, 7)
    ;   

SELECT w.*
FROM ngram_word nw
JOIN word w ON w.word_id = nw.word_id
WHERE ngram_id = 102
ORDER BY seq;

其他结果:

INSERT 0 2
INSERT 0 1
INSERT 0 4
 word_id | the_word 
---------+----------
       1 | the
       2 | man
       6 | is
       7 | lost
(4 rows)

顺便说一句:向此模型添加文档类型对象将为此模型添加两个附加表:一个用于文档,另一个用于文档*ngram.(或在另一种方法中:对于文档*单词)递归模型也是可能的.

更新:上面的模型需要一个额外的约束,它需要实现触发器(或规则+附加表).伪代码:

 ngram_word.seq >0 AND ngram_word.seq <= (select ngram.n FROM ngram ng WHERE ng.ngram_id = ngram_word.ngram_id)