找出两个字符串的相似程度

Question

我正在寻找一个带2个字符串的算法，它会给我一个“相似因子”。

基本上，我的输入可能拼写错误，字母转换等，我必须在可能的值列表中找到最接近的匹配项。

这不适用于在数据库中搜索。我将有一个内存列表，其中包含500个左右的字符串，所有字符串都不超过30个字符，因此它可能相对较慢。

我知道这存在，我以前见过它，但我记不起它的名字了。

---

编辑：感谢指出Levenshtein和汉明。 现在，我应该实施哪一个？它们基本上测量不同的东西，两者都可以用于我想要的东西，但我不确定哪一个更合适。

我已经阅读了算法，汉明似乎显然更快。既然都不会检测到两个被转置的角色（即乔丹和乔丹），我相信这将是一个常见的错误，这对我想要的更准确？ 有人可以告诉我一些关于权衡的事情吗？

Answer 1

好的，所以标准算法是：

1）Hamming distance 只适用于相同长度的字符串，但非常有效。基本上它只是计算不同字符的数量。对自然语言文本的模糊搜索没有用。

2）Levenstein distance。 Levenstein距离根据将一个弦转换为另一个弦所需的“操作”的数量来测量距离。这些操作包括插入，删除和替换。计算Levenstein距离的标准方法是使用动态规划。

3）Generalized Levenstein/(Damerau–Levenshtein distance) 该距离还考虑了单词中字符的转置，并且可能是最适合手动输入文本的模糊匹配的编辑距离。计算距离的算法比Levenstein距离更复杂（检测换位并不容易）。最常见的实现是bitap算法的修改（如grep）。

一般情况下，你可能想要考虑在某种基于k-d树的最近邻搜索中实现的第三个选项的实现

Answer 2

Damerau-Levenshtein distance类似于Levenshtein距离，但也包括两个字符的转置。维基百科页面（链接）包括伪代码，它应该是相当简单的实现。

Answer 3

• Levenshtein距离
• 汉明距离
• 同音
• 音位

Answer 4

您正在寻找Levenshtein distance