algorithm - 如何在层次结构中定位数据项位置？

Question

我需要开发一种算法来定位数据项在某个层次结构中的位置。我有对某些数据集的元素进行分类的层次结构。层次结构是分类的 - 顶级元素是最通用的类​​，与数据集的任何元素匹配，更深的元素包含与数据集的某些子集匹配的更具体的类。

例如，考虑游艇的层次结构。我们在顶部有 Yacht 类。在下一级别中，我们有帆船 和机动游艇。 帆船 有两个 child - 巡航游艇 和赛艇。巡洋舰可以按制造商进一步划分，例如 Bavaria Yachts 和 Dufour Yachts。然后每一类又可以根据船体类型、长度、帆面积等进一步划分。

这是数据集中的一个例子:

Drive   Class   Manufacturer   Hull type Len  Sails Area ... Model
Sailing Cruiser Bavaria Yachts Mono-hull 25ft 560sqft    ... Bavaria 32
Sailing Cruiser Dufour Yachts  Mono-hull 27ft 580sqft    ... Dufour 32 Classic

通过按深度优先顺序搜索每个样本，我可以轻松地将其映射到层次结构。

乍一看是一个简单的搜索问题，但有一些困难。

第一个难点:数据项不一定包含所有元素。数据项缺少 10% 到 50% 的元素是很常见的。许多这样的元素不是很重要，例如游艇 Drive 只能是 Motor 或 Sail 所以它不会带来很多信息(只有 1 位)。使用更重要的元素可以很容易地推断出这些元素，例如，如果我们知道游艇 Model，我们可以推断出数据项的所有其他元素(或字段)。

第二个困难:一些元素在不同的数据项之间可能会有所不同，即使它们对应于层次结构中的相同位置(相同的游艇模型)。例如，帆面积可能会有很大差异，因为船主以不同的方式修改他们游艇的装备，或者只是调整面积值。

正如我已经提到的，我需要从层次结构中的数据集中定位不同的数据项。每个数据项可以以不同的精度定位。精度是层次结构中搜索过程停止的深度。换句话说，我需要获取与每个数据项对应的层次结构中的路径，并且此路径可能不完整。例如，算法可以发现数据项对应于Juliet 23游艇，但生产年份仍然未知。

如果我能得到多条路径，每条路径都有概率度量，那就太好了。例如，算法可以针对不同的生产年份为 Juliet 23 返回 4 条路径，每条路径的概率为 25%。

此时我使用深度优先搜索和一些启发式方法解决了这个问题。它给出了很好的结果，但我认为有可能获得更好的结果。也许你可以用更通用的方式来表述这个问题，这样我就可以搜索一些关于它的学术论文。

Answer 1

我觉得SQL真的可以帮你解决困难，

对于您的第一个困难:使用 NVL(field, value-if-null)

示例:赛车游艇的打印类型和生产年份(如果存在)

SELECT Y.TYPE, NVL(Y.PRDYEAR, 'UNKNOWN')
FROM T_YACHT Y WHERE Y.CLASS = 'RACING'

示例:获取生产年份超过 2000 年的所有游艇

SELECT * FROM T_YACHT Y WHERE
NVL(Y.PRDYEAR,TO_TIMESTAMP('01-01-0001','DD-MM-YYYY'))
    > TO_TIMESTAMP('01-01-2000','DD-MM-YYYY')

对于你的第二个困难:使用 GROUP BY\CASCADING-SQL\DISTINCT\NVL

例子:看看有多少种赛艇

SELECT Y.TYPE, COUNT(Y.ID) AS YACHT_TYPE
FROM T_YACHT Y
WHERE Y.CLASS = 'RACING'
GROUP BY Y.TYPE