我试图在SQL Server 2008 R2中实现BM25算法时遇到了一个问题。我知道SQL Server包含全文搜索选项,该选项已经实现了BM25的一个变体,但我想做一些测试,并且由于FTS程序是不可编辑的(据我所知),我决定自己实现它。SQL Server中的BM25实现
我有两个表,TF(词频)和DF(文档频率)具有以下结构:
TF
*注:重量栏表示单词的重要性(它被通常为1种)
ID | Term | DocumentID | Count | Weight*
DF
ID | Term | Count
TF表包含术语和文档之间的关系;即文档中术语的频率。 DF表包含有关多少个文档包含术语的信息。使用这两个表,我现在想根据Wikipedia article中的公式计算两个文档(一个文档充当查询)之间的BM25相似性值。表TF和DF转换为分别函数f(Q,d)和N(q)中:
我想的结果是在这种格式:
DocumentA_ID | DocumentB_ID | BM25_Value
下面是一些代码,我到现在为止:
ALTER PROCEDURE [dbo].[BM25]
-- default parameters k => [1.2 - 2.0], b => [0.0 - 1.0]
@K1 FLOAT = 1.2,
@B FLOAT = 0.75
AS
BEGIN
SET NOCOUNT ON;
DECLARE @N FLOAT;
DECLARE @AVGDL FLOAT;
-- number of all documents
SELECT @N = CAST(COUNT(*) AS FLOAT)
FROM FullDocument;
-- average length of documents (in words)
SELECT @AVGDL = AVG(Length)
FROM (
SELECT DocumentID,
CAST(COUNT(*) AS FLOAT) AS Length
FROM TF
GROUP BY DocumentID
) A;
-- BM25 implementation
-- SELECT TF.Term,
-- TF.DocumentID,
-- C.DocumentLength,
-- LOG((@N - DF.Count + 0.5)/(DF.Count + 0.5)) * (TF.Count * (@K1 + 1))/(TF.Count + @K1 * (1 - @B + @B * (C.DocumentLength/@AVGDL))) AS BM25,
-- Weight
-- FROM TF
-- INNER JOIN DF ON TF.Term = DF.Term
-- INNER JOIN (
-- SELECT DocumentID,
-- COUNT(*) AS DocumentLength
-- FROM TF
-- GROUP BY DocumentID
-- ) C ON TF.DocumentID = C.DocumentID
END
我在构建上一节(BM25实现)中的查询时遇到问题以获取所需的结果格式。任何帮助将不胜感激。