Postgres pg_trgm模块相似度计算方法及结果差异疑问

好问题！很多人刚开始接触pg_trgm的时候，都会把它的相似度和常见的Dice-Sorensen指标搞混，其实它的计算逻辑有自己的特点，我来一步步给你拆解清楚。

第一步：生成三元组（Trigram） #

pg_trgm的所有相似度计算都基于三元组集合，生成三元组时有几个关键规则：

• 字符串会被预处理：开头添加两个空格，结尾添加一个空格
• 从预处理后的字符串中，滑动截取所有连续的三个字符，每个截取结果就是一个三元组
• 最终的三元组是去重后的集合（不过大多数情况下原字符串不会生成重复三元组）

你可以用Postgres内置的show_trgm函数直接查看字符串的三元组：

SELECT show_trgm('sage');
-- 返回：{"  s"," sa","sag","age","ge "}

第二步：相似度的计算公式 #

pg_trgm的similarity(a, b)本质是Jaccard相似度，公式为：

similarity = 两个字符串三元组的交集大小 / 两个字符串三元组的并集大小

而你预期的Dice-Sorensen公式是：

Dice = 2 * 交集大小 / (a的三元组数量 + b的三元组数量)

这就是两者结果差异的核心原因！

用你的例子一步步验证：'sage' vs 'message' #

我们亲手算一遍，还原得到0.3的过程：

1. 生成两个字符串的三元组 #

• 对于'sage'，预处理后是' sage '，生成的三元组有5个：{" s"," sa","sag","age","ge "}
• 对于'message'，预处理后是' message '，生成的三元组有8个：{" m"," me","mes","ess","ssa","sag","age","ge "}

2. 计算交集和并集 #

• 交集：两个集合共有的三元组是"sag","age","ge "，共3个
• 并集：总三元组数量 = 5 + 8 - 3 = 10个（减去重复的交集数量）

3. 计算相似度 #

代入公式：3 / 10 = 0.3，和你得到的结果完全一致！

补充：和Dice-Sorensen的换算 #

如果你需要得到Dice-Sorensen的结果，可以通过Jaccard值反向推导：

Dice = 2 * Jaccard / (1 + Jaccard)

比如这个例子里，Dice值就是2*0.3/(1+0.3) ≈ 0.46，和你最初的预期一致。

内容的提问来源于stack exchange，提问作者swami