基于线性时间的搜索字符串对字符串进行排序

Question

我有一个存储数百或数千个字符串的 SQLite 数据库，我保留了一个我不断增长的这些字符串的数组，以便我可以更轻松地更快地搜索我的数据库。但是，用户可以使用搜索字符串进行搜索，我将在我的数据库中对这些字符串进行排名，以确定它们与搜索字符串的接近程度。例如，假设他们搜索“foo”。如果我的数据库中有条目“foo”“foobar”和“foo foo”，是否有人对按顺序排列这些字符串的算法有任何想法：

1。 “foo”（完全匹配）

2。 "foo foo"（包含两次搜索字符串）

3。 "foobar"（它包含一次搜索字符串）

有没有人知道或有任何想法会产生这种结果的算法？如果有人希望发布任何代码 sn-ps，我正在使用 java 和 c++，但是我真的只是在寻找算法的想法。

注意，我希望 fobar 或 fuo 之类的内容也出现在搜索结果中，因为它与搜索结果相差 1 个字母，

Answer 1

当你说你希望排名是线性时间时，我猜你只想分析集合中的每个字符串一次。

一种相对简单的方法是根据您定义的一些规则计算分数。当然，规则越多需要的时间越长，但只要分析得好，即使是数千个字符串也应该不会花费很长时间。

例如，您说完全匹配获得 100 分，而包含搜索字符串 n 次获得 10n 得分，并且将其包含在另一个单词中 n 次获得 5n，依此类推。如果您以相当解耦的方式实施规则，您可以调整规则几次，看看它们在实际搜索中的表现如何，直到您对搜索的准确性感到满意为止。

一旦你有了一组分数，你就可以使用一些非常快速的排序算法来为你排序你的结果，按照从最好到最差的顺序排列。当然，您会排除分数小于 x 的结果。

（顺便说一句，这种技术可以很容易地实现高级搜索功能，例如 AND/OR/NOT，因为您可以拆分搜索词的分析并结合每个结果的得分）

Answer 2

建立排名有不同的策略和要求。

http://wiki.apache.org/solr/SolrRelevancyCookbook

http://lucene.apache.org/java/2_4_0/scoring.html#Algorithm

BTW Solr 本身就是一个解决方案，我敢肯定你现在已经知道了 :-)

Solr, Sunspot, SQlite, and Rails