У меня есть система, которая отслеживает, какие документы просматривают пользователи.Каждый документ имеет свой идентификатор и кластер, к которому он принадлежит.Моя система отслеживает идентификатор сеанса и количество просмотров.Теперь я хотел бы создать запрос SQL, который бы дал мне два столбца - идентификатор сеанса и классифицированный кластер.Алгоритм классификации прост:
1. select all sessions
2. for each session S
I. prepare an accumulator ACC for clusters
II. select the clusters of viewed documents for this session
III. for each cluster C accumulate the cluster count ( ACC[C]++ )
IV. find the maximum in the ACC. That is the cluster that the session was classified to
Структуры таблиц следующие, я использую MySQL 5.5.16:
Session
+-------+-----------+--------------------+
| ID | sessionID | classified_cluster |
+-------+-----------+--------------------+
SessionDocument
+-------+-----------+------------+
| ID | sessionID | documentID |
+-------+-----------+------------+
Кластер
+-------+-------+
| ID | label |
+-------+-------+
ClusterDocument
+-------+-----------+------------+
| ID | clusterID | documentID |
+-------+-----------+------------+
Таким образом, в основном я хочу выбрать кластеры для каждого сеанса, подсчитать вхождение каждого кластера для просмотренных документови найти максимальное вхождение.Тогда идентификатор кластера, который произошел больше всего, является результатом сеанса, поэтому окончательный набор результатов содержит идентификатор сеанса и наиболее произошедший кластер:
Результат
+-----------+-----------------------+
| sessionID | classifiedIntoCluster |
+-----------+-----------------------+
Мне удалосьчтобы получить кластеры просмотренных документов для каждого сеанса (шаг 2 / II.) с помощью этого запроса:
SELECT SD.session_id, CD.cluster_id
FROM cluster_document AS CD
INNER JOIN session_document AS SD
ON CD.document_id = SD.document_id
WHERE session_id IN (SELECT session_id FROM session)
У меня проблемы с выяснением остальных.Возможно ли это даже с вложенными запросами SELECT?Должен ли я использовать курсор, и если да, может ли кто-нибудь показать пример с курсором?Любая помощь будет высоко ценится.
EDIT # 1: добавлена реализация C #, дамп MySQL и ожидаемый результат
реализация C #
private void ClassifyUsers() {
int nClusters = Database.SelectClusterCount(); //get number of clusters
DataSet sessions = Database.SelectSessions(); //get all sessions
foreach (DataRow session in sessions.Tables[0].Rows) { //foreach session
int[] acc = new int[nClusters]; //prepare an accumulator for each known cluster
string s_id = session["session_id"].ToString();
DataSet sessionClusters = Database.SelectSessionClusters(s_id); //get clusters for this session
foreach (DataRow cluster in sessionClusters.Tables[0].Rows) { //for each cluster
int c = Convert.ToInt32(cluster["cluster_id"].ToString()) - 1;
acc[c]++; //accumulate the cluster count
}
//find the maximum in the accumulator -> that is the most relevant cluster
int max = 0;
for (int j = 0; j < acc.Length; j++) {
if (acc[j] >= acc[max]) max = j;
}
max++;
Database.UpdateSessionCluster(s_id, max); //update the session with its new assigned cluster
}
}
Структура таблицы, данные испытаний и ожидаемый результат
Структура таблицы и данные испытаний
Ожидаемый результат
EDIT # 2: добавлен меньший набор данных и дальнейшее прохождение алгоритма
Вот меньший набор данных:
SESSION
session id | cluster
abc 0
def 0
ghi 0
jkl 0
mno 0
CLUSTER
cluster_id | label
1 A
2 B
3 C
4 D
5 E
SESSION_DOCUMENT
id | session_id | document_id
1 abc 1
2 def 5
3 jkl 3
4 ghi 4
5 mno 2
6 def 2
7 abc 5
8 ghi 3
CLUSTER_DOCUMENT
id | cluster_id | document_id
1 1 2
2 1 3
3 2 5
4 3 5
5 3 1
6 4 3
7 5 2
8 5 4
Подробный алгоритм
Шаг 1: получение кластеров для документов, просматриваемых сеансом
session_id | cluster_id | label | document_id
abc 3 C 1
abc 2 B 5
abc 3 C 5
-----
def 2 B 5
def 3 C 5
def 1 A 2
def 5 E 2
----
ghi 5 E 4
ghi 1 A 3
ghi 4 D 3
----
jkl 1 A 3
jkl 4 D 3
----
mno 1 A 2
mno 5 E 2
Шаг 2: количество вхождений кластеров
session_id | cluster_id | label | occurrence
abc 3 C 2 <--- MAX
abc 2 B 1
----
def 2 B 1
def 3 C 1
def 1 A 1
def 5 E 1 <--- MAX
----
ghi 5 E 1
ghi 1 A 1
ghi 4 D 1 <--- MAX
----
jkl 1 A 1
jkl 4 D 1 <--- MAX
----
mno 1 A 1
mno 5 E 1 <--- MAX
Шаг 3 (конечный результат): найти максимальное количество возникших кластеров для каждого сеанса (см. Выше) и построить окончательный набор результатов (session_id, cluster_id):
session_id | cluster_id
abc 3
def 5
ghi 4
jkl 4
mno 5
РЕДАКТИРОВАТЬ # 3: Принято разъяснение ответа
Оба приведенных ответа являются правильными.Они оба обеспечивают решение проблемы.Я дал Мости Мостачо принятый ответ, потому что он первым поставил решение и предоставил другую версию решения с VIEW.Решение от mankuTimma того же качества, что и решение Мости Мостачо.Поэтому у нас есть два одинаково хороших решения, я выбрал Моста Мостачо, потому что он был первым.
Спасибо им обоим за вклад.,