SQL 查询查找具有最匹配关键字的行

我真的不擅长 SQL，我想知道我可以运行什么 SQL 来解决下面的问题，我怀疑这是一个 NP 完全问题，但我可以接受查询需要很长时间才能在大型数据集上运行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字的文章，找到每篇文章中包含最多匹配关键字的前 n 篇文章。

文章表的精简版本如下所示：

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');

这会导致SELECT * FROM article; query:

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

假设我想找到每篇文章中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

Like @a_horse 评论了 https://stackoverflow.com/questions/31512506/sql-query-for-finding-maximum-matching-keywords-in-articles/31513001#comment50986752_31512506：使用标准化设计会更简单（除了使其他任务更简单/更清晰），但是仍然不是微不足道的.

另外，数据类型的 PK 列character varying(36)高度可疑（且效率低下），很可能应该是integer type https://www.postgresql.org/docs/current/datatype-numeric.html#DATATYPE-INT或至少一个uuid https://www.postgresql.org/docs/current/datatype-uuid.html反而。

根据您的情况，这是一种可能的解决方案按原样设计:

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 http://sqlfiddle.com/#!15/a7de8/4（使用整数id反而）。

The 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 个选择有多个行，您需要定义一个决胜局。在我的示例中，具有较小的行id先来吧。

详细解释在最近的相关答案中：

• 按 JSON 数组中的匹配数进行查询和排序 https://stackoverflow.com/questions/30557511/query-and-order-by-number-of-matches-in-json-array/31467595#31467595

比较是在 JSON 数组和 SQL 数组之间进行的，但基本上是相同的问题，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点，但不一定比具有 GIN 索引的数组更快。