postgresql词组提取&；排名

从表中选定的行中，如何根据短语出现的频率提取短语并对其进行排序

例1：

例2：

要找到单词，而不是短语，可以使用

SELECT * FROM ts_stat('SELECT to_tsvector(''simple'', phrase) FROM phrases')
ORDER BY nentry DESC, ndoc DESC, word;

一些注意事项：

• 短语可以包含“停止词”，例如“易于回答”
• 理想情况下，英语变体和同义词将自动分组

pg_trgm能帮忙吗？（如果只找到2个和3个单词短语就可以了）。到底是怎么回事

相关问题：

---

我同意克雷格的观点，即这肯定远远超出了Tsarch2和任何其他现有PostgreSQL工具的预期范围。但是，我确实认为在db引擎中这样做可能不会太糟糕。PostgreSQL的优势之一是可编程性，这一优势为您提供了一些未充分利用的选项

正如Craig所指出的，这是自然语言处理的领域，而不是SQL本身，因此您要做的第一件事是建立一个支持PostgreSQL支持的存储过程语言的自然语言处理工具包。换句话说，您需要支持Perl、Python、C等的东西。无论PostgreSQL支持什么，您都可以轻松使用

第二步是用存储过程语言为该工具包创建功能接口。这应该接收文本，并以PostgreSQL能够合理处理的某种类型输出短语分解。您需要仔细注意类型，因为这会影响索引之类的事情

---

从那里，您可以将其合并到数据库接口和查询中。

我认为这远远超出了数据库引擎的范围。您可能需要工具来进行短语提取。然后，您可以将它们包装成PL/Java、C存储函数或其他任何形式，并从DB中使用它们。PostgreSQL怎么知道“短语”是什么？也就是说，两个或三个单词的约束可能使它在DB中实现。使用一个自定义词典，包含所有来自英语的2&3个常用单词分组，并为ts_tovector设置更高的优先级，怎么样？如果这样做行得通，我怎么能轻松地建立这本词典呢？事实上，这本词典太大了。可能的组合太多了。您可以使用自定义编码的Tsarch2解析器来实现。不过还是有不少工作要做。

SELECT * FROM ts_stat('SELECT to_tsvector(''simple'', phrase) FROM phrases')
ORDER BY nentry DESC, ndoc DESC, word;