让我们假设我们有一个数据库，如：
动作_tbl:
--------------------------------------------------------id |操作名称|用户id|--------------------------------------------------------1|约翰读了一本书|12|阅读约翰的书|13|乔正在跳火|24|正在阅读另一本书|25|约翰在图书馆看书|16|乔看书|27|看书|38 |罗纳德的习惯是无缘无故地跳|3
用户_tbl:
-----------------------user_id |用户名称|-----------------------1|约翰2|乔3|罗纳德4|Araz-----------------------
想知道我是否可以选择重复次数最多的类似操作，而不管它的用户是谁，并用它的当前用户替换我自己的user_name！
读一本书，读这本书，再读一本，在图书馆里读这本，读一本和读一本是最常见的单词，所以与阅读这本书相关的工作人员被重复6次，我的系统应该随机显示这六个句子中的一个，并将Araz替换为user_name
喜欢：Araz读这本书
我的想法是
select replace(a.action_name , b.user_name) from actions_tbl a, user_tble b where a.user_id = b.user_id group_by
然后使用在php中逐一检查相似性
levenshtein()
但是这个根本没有表演！
假设我想对一个大数据库和几个不同的表做同样的事情。这将摧毁我的服务器！！！
有更好的想法吗？
在http://www.artfulsoftware.com/infotree/queries.php#552这个levenstein（）函数是作为MySQL函数实现的，但首先，你认为它有足够的性能吗？然后，如何在我的情况下使用它？也许一辆自加入的面包车可以解决这个问题，但我对sql不太好！
*类似的动作，是指具有超过X%的常用词的动作
**更多信息和注意事项：**
我仅限于PHP和MySQL。
这只是一个例子，在我的真实项目中，动作是很长的段落。这就是为什么表演是一个问题。真实的场景是：用户输入了几个项目的项目描述，这些数据可能太相似（用户的工作领域相同），我想自动填充（基于以前的填充）下一个项目的描述，以节省时间。
如果您能提供任何实用解决方案，我将不胜感激。我检查了与NLP相关的解决方案，尽管它们很有趣，但我不认为其中很多是准确的，并且可以使用PHP实现。
输出应该有意义，并且像所有其他项目一样是一个合适的段落。这就是为什么我想从以前的选择。
感谢您的智慧回答，如果您能阐明以下情况，我们将不胜感激
您所说的是文本聚类过程。你试图找到相似的文本片段，并任意选择其中一个。我不熟悉任何可以进行这种形式的文本挖掘的数据库。
对于您所描述的内容，一种非常基本的文本挖掘技术可能会起作用。创建一个术语文档矩阵，其中包含除用户名之外的所有单词。然后使用奇异值分解得到最大的奇异值和向量（这是相关矩阵的第一个主分量）。类似的活动应该沿着这条线聚集在一起。
如果你的词汇量有限，并且表中有这些术语，你可以通过重叠单词的比例来衡量两个动作之间的距离。你有行动中所有单词的清单吗？
首先，您必须决定是将给定的输入与所有现有文本进行比较，还是对所有文本进行成对比较。你的问题要求后者，但你概述的应用程序听起来更像前者。
如果你只将单个输入与数据库进行比较，那么我希望Levenstein距离计算在中等数据库大小下足够快。除非存储某种形式的关于文本库当前内容的中间数据结构，否则可能没有什么方法可以加快速度。为每一个新的输入重新计算任何东西都可能同样昂贵。
如果你想对每一对进行比较，那么对它们进行Levenstein计算会花费太多时间。你必须想出一些其他相似性的概念。我首先想到的是后缀树，它对一个词的不同形式有一定的弹性。你可以将所有段落插入到树中。在后缀树通常存储单个指针的情况下，您可能希望存储一对索引，一个标识数据库行，另一个表示该行文本中的位置。在构建树之后，您可以遍历它来识别常见的子字符串，并为相应的对增加一些相似性计数器。你必须做一些实验来调整这个度量。在递增计数器之前，您可能需要为公共字符串设置一个最小长度。由于长文本有更大的机会出现常见单词，即使它们在语义上不相关，你可能不得不以某种方式补偿长度。我怀疑是否有规范的方法可以做到这一点。
Gordon提出的术语文档矩阵方法听起来也很有趣，您也应该能够在PHP中实现它。即使词根相同，这种方法也会对单词形式的变化更敏感。另一方面，为数据库中存储的矩阵保留一个合适的矩阵可能会更容易，并在更新主文本表时保持该结构的同步。这两种方法都与Levenstein距离有根本区别：它们不太关心整体秩序。我相信，在你的情况下，这是一件好事，因为他们会认为"约翰在湖中游泳后读了一本书"这句话比Levenstein distance更像"在湖中游泳之后，乔读了一本书"。
你的例子表明，你不仅想对相似性进行排序，还想决定聚类边界，即说"这些组成一个组"answers"那些属于不同的组"。这不会有一个明确的界限，所以你也必须尝试启发式方法。除非总是选择最相似的文本，或者k最相似的文字，否则对于您的应用程序来说就足够了。在任何情况下，我都会先专注于相似性计算，然后添加用户名替换之类的内容。