挖掘数百万条记录的算法[关闭]

Question

我有超过一百万条聊天记录的数据，格式为

chat_message
city
timestamp

现在，我们需要检查与旅行相关的关键字，例如“旅行”或“住宿”或“酒店”等。假设我们已经收集了大约 15 个与旅行相关的关键字。

要求是使用关键字挖掘与旅行相关的聊天消息。怎么样？

我能想到的解决方案 - 拥有一系列与旅行相关的关键字。然后扫描每个关键字的所有消息（一些字符串匹配算法）。

我认为解决方案是蛮暴力的，还有关于更有效的搜索算法或设置聊天记录或/和关键字的想法吗？

Answer 1

您的里程可能会有所不同。

如果您的宿主语言是 JavaScript，我建议您使用一些全文搜索引擎，例如 lunrjs。它需要对您的原始数据进行预处理，例如标记化、词干提取和索引。然后您可以更方便地搜索数据。

不过，您的数据集仍然很大，至少对于浏览器而言（因为您使用的是 JavaScript）。如果您要在客户端实现此功能，则需要考虑算法以外的许多细节。内存分配，数据传输，不一一列举。

但是，如果您在服务器端，更成熟的解决方案（例如 ElasticSearch）值得您考虑。