palabra coincidente en SQL Server

Question

Tengo un requisito de proporcionar un partido sugerido entre los datos en dos tablas de bases de datos. El requisito básico es; - Se debe sugerir una "coincidencia" para el mayor número de palabras coincidentes (independientemente del orden) entre las dos columnas en cuestión.

Por ejemplo, dados los datos;

Table A       Table B 
1,'What other text in here'  5,'Other text in here' 
2,'What am I doing here'   6,'I am doing what here' 
3,'I need to find another job' 7,'Purple unicorns' 
4,'Other text in here'   8,'What are you doing in here' 

Ideally, my desired matches would look as follows; 
1 -> 8 (3 words matched) 
2 -> 6 (5 words matched) 
3 -> Nothing 
4 -> 5 (4 words matched) 

que he encontrado word count functions que parecen prometedores, pero no puedo pensar en cómo usarlo en una sentencia SQL, que me dará mi pareja deseada. Además, la función vinculada no es exactamente lo que necesito, ya que utiliza charindex, que creo que busca una palabra dentro de una palabra (es decir, 'in' coincidirá con 'bin').

¿Puede alguien ayudarme con esto ??

Gracias.

Answer 1

He usado sys.dm_fts_parser siguiente para dividir las oraciones en palabras. Hay plenty of TSQL split functions around si no está en SQL Server 2008 o encuentra que esto no es adecuado por algún motivo.

El requisito de que cada A.id solo se pueda emparejar con un B.id que no se haya utilizado anteriormente y viceversa no es una solución que se pueda considerar eficiente.

;WITH A(Id, sentence) As 
(
    SELECT 1,'What other text in here' UNION ALL 
    SELECT 2,'What am I doing here'  UNION ALL 
    SELECT 3,'I need to find another job' UNION ALL 
    SELECT 4,'Other text in here'   
), 
B(Id, sentence) As 
(
SELECT 5,'Other text in here'   UNION ALL 
SELECT 6,'I am doing what here'  UNION ALL 
SELECT 7,'Purple unicorns'    UNION ALL 
SELECT 8,'What are you doing in here' 
), A_Split 
    AS (SELECT Id AS A_Id, 
       display_term, 
       COUNT(*) OVER (PARTITION BY Id) AS A_Cnt 
     FROM A 
       CROSS APPLY 
        sys.dm_fts_parser('"' + REPLACE(sentence, '"', '""')+'"',1033, 0,0)), 

    B_Split 
    AS (SELECT Id AS B_Id, 
       display_term, 
       COUNT(*) OVER (PARTITION BY Id) AS B_Cnt 
     FROM B 
       CROSS APPLY 
        sys.dm_fts_parser('"' + REPLACE(sentence, '"', '""')+'"',1033, 0,0)), 
    Joined 
    As (SELECT A_Id, 
       B_Id, 
       B_Cnt, 
       Cnt = COUNT(*), 
       CAST(COUNT(*) as FLOAT)/B_Cnt AS PctMatchBToA, 
       CAST(COUNT(*) as FLOAT)/A_Cnt AS PctMatchAToB 
     from A_Split A 
       JOIN B_Split B 
        ON A.display_term = B.display_term 
     GROUP BY A_Id, 
        B_Id, 
        B_Cnt, 
        A_Cnt) 
SELECT IDENTITY(int, 1, 1) as id, * 
INTO #IntermediateResults 
FROM Joined 
ORDER BY PctMatchBToA DESC, 
      PctMatchAToB DESC 

DECLARE @A_Id INT, 
     @B_Id INT, 
     @Cnt INT 

DECLARE @Results TABLE (
    A_Id INT, 
    B_Id INT, 
    Cnt INT) 

SELECT TOP(1) @A_Id = A_Id, 
       @B_Id = B_Id, 
       @Cnt = Cnt 
FROM #IntermediateResults 
ORDER BY id 

WHILE (@@ROWCOUNT > 0) 
    BEGIN 

     INSERT INTO @Results 
     SELECT @A_Id, 
      @B_Id, 
      @Cnt 

     DELETE FROM #IntermediateResults 
     WHERE A_Id = @A_Id 
       OR B_Id = @B_Id 

     SELECT TOP(1) @A_Id = A_Id, 
        @B_Id = B_Id, 
        @Cnt = Cnt 
     FROM #IntermediateResults 
     ORDER BY id 
    END 

DROP TABLE #IntermediateResults 

SELECT * 
FROM @Results 
ORDER BY A_Id 

devoluciones

A_Id  B_Id  Cnt 
----------- ----------- ----------- 
1   8   3 
2   6   5 
4   5   4