C# 查找相关提交的高效算法

我最近启动了my，希望在查看提交时添加“相关提交”部分。与此完全相同-请参阅右侧标题为“相关”的专栏

考虑到每个提交都有一个标题和一组标记，那么查询数据库中相关提交的最有效（最佳结果）、最高效（快速、内存友好）的方法是什么

---

我可以想出一种方法来做到这一点（我会把它作为一个答案发布），但我很有兴趣看看其他人有什么要说的。或者可能已经有了一种标准的方法来实现这一点？

这是我的两分钱解决方案：
为了获得最佳输出，我们需要对查询结果施加“权重”

首先，假设数据库中的每个提交的权重为零。 然后，如果“池”中的提交与当前提交共享一个标记，我们将向找到的提交添加+3。因此，如果发现另一个提交与当前提交共享两个标签，我们将在权重中添加+6

接下来，我们拆分/标记当前提交的标题并删除“停止词”。
我已经看到了谷歌的停止词列表，但现在我将我的停止词定义为：[“of”，“a”，“the”，“in”]

示例：
标题“所有时间的最佳提交”
结果数组：[“the”，“Best”，“Submission”，“of”，“All”，“Times”]
删除停止词：[“最佳”、“提交”、“所有”、“次数”]

然后我们在数据库中查询包含上述任何标题的提交，并为每个结果添加权重：+2
最后，按权重对列表进行降序排序，取前N个结果

---

你觉得怎么样？（温柔点！）

如果我理解得很好，你需要一种技巧来确定两篇文章是否彼此“相似”。您可能希望使用概率模型：

这样做的意思是，如果两篇文章分享了很多“不寻常”的词语，那么他们可能是在谈论同一个话题。为了检测不常见的单词，根据您的应用程序，您可以使用一个通用的频率表，或者更好的方法，根据您的帖子中的单词来构建它（但是您需要有足够的频率表才能有相关的内容）

我不会在标题和标签上限制自己，但我会在研究中增加它们的分量

这种想法在垃圾邮件过滤中非常常见。不幸的是，我没有时间做一个全面的回顾，但快速的谷歌搜索会给出：

karlmicha.googlepages.com/acl2004_poster.pdf