如何比较Java中几乎相似的字符串？ （字符串距离测量）

Question

我想比较两个字符串并获得一些评分看起来相似多少。 例如“句子几乎相似”和“句子类似”。

我不熟悉Java中的现有方法，但对于PHP，我知道levenshtein function。

Java中有更好的方法吗？

Answer 1

以下Java库提供了多种比较算法（Levenshtein，Jaro Winkler，...）：

1. Apache Commons Lang 3 ：https://commons.apache.org/proper/commons-lang/
2. Simmetrics ：http://sourceforge.net/projects/simmetrics/

这两个库都有一个java文档（Apache Commons Lang Javadoc，Simmetrics Javadoc）。

//Usage of Apache Commons Lang 3
import org.apache.commons.lang3.StringUtils;   
public double compareStrings(String stringA, String stringB) {
    return StringUtils.getJaroWinklerDistance(stringA, stringB);
}

 //Usage of Simmetrics
import uk.ac.shef.wit.simmetrics.similaritymetrics.JaroWinkler    
public double compareStrings(String stringA, String stringB) {
    JaroWinkler algorithm = new JaroWinkler();
    return algorithm.getSimilarity(stringA, stringB);
}

Answer 2

Levensthein距离 衡量字符串的相似程度。或者，更确切地说，必须进行多少次更改才能使它们相同。

维基百科上的伪代码中提供了algorithm。将它转换为Java不应该是一个很大的问题，但它并没有内置到基类库中。

Wikipedia有更多算法来衡量字符串的相似性。

Answer 3

是的，这是一个很好的指标，你可以使用来自apache commons的StringUtil.getLevenshteinDistance()

Answer 4

你可以找到Levenshtein和其他字符串相似度/距离度量的实现 https://github.com/tdebatty/java-string-similarity

如果您的项目使用maven，安装就像

一样简单

<dependency>
  <groupId>info.debatty</groupId>
  <artifactId>java-string-similarity</artifactId>
  <version>RELEASE</version>
</dependency>

然后，以Levenshtein为例

import info.debatty.java.stringsimilarity.*;

public class MyApp {

  public static void main (String[] args) {
    Levenshtein l = new Levenshtein();

    System.out.println(l.distance("My string", "My $tring"));
    System.out.println(l.distance("My string", "My $tring"));
    System.out.println(l.distance("My string", "My $tring"));
  }
}

Answer 5

无耻的插件，但我也写了一个库：

https://github.com/vickumar1981/stringdistance

它具有所有这些功能，还有一些用于语音相似性的功能（如果一个单词“听起来像”另一个单词，则返回true或false，而不是其他模糊相似性，它们之间的数字在0-1之间）。

还包括dna排序算法，例如Smith-Waterman和Needleman-Wunsch，它们是Levenshtein的通用版本。

我计划在不久的将来，使它适用于任何数组，而不仅仅是字符串（字符数组）。