【发布时间】：2016-09-20 23:33:03
【问题描述】：
我不熟悉字符串相似性算法，除了 Levenshtein 距离，因为这是我正在使用的算法，但结果并不理想。
所以我有点想实现一个递归算法的想法，但我想知道它是否已经存在，以便我可以利用其他人的专业知识。
以下是算法示例：
字符串 1：“保罗·约翰逊”
字符串 2：“约翰·保尔森”
第 1 步：找到所有最长的匹配项
第 1 场比赛：“保罗”
比赛 2：“约翰”
第 3 场比赛：“儿子”
第 4 场比赛：“”
第 2 步：使用以下公式计算每个匹配项的分数：((match.len/string.len)*match.len) 这允许更长的字符串以基于字符串长度的平衡比率进行更多加权。
第 1 场比赛：(4/12)*4 = 1.333...
第 2 场比赛：1.333...
第 3 场比赛：0.75
第 4 场比赛：.083
第 3 步：在更大的范围内执行第 1 步和第 2 步，（匹配的匹配项。）我还没有完全弄清楚。但我的想法是，如果“儿子”出现在“保罗·约翰”之后，并且出现在“约翰·保罗”之后，那么这应该很重要。
第 4 步：将所有已计算的分数相加。
分数：1.333 + 1.333 + .75 + .083333 = 3.4999...（加上第 3 步产生的任何分数）
这对任何人来说都很熟悉吗？我希望其他人已经麻烦按照这些思路实际制作算法，这样我就不必自己弄清楚了。
【问题讨论】：
-
你能描述一下为什么 Levenshtein 距离不理想吗？
-
你是只匹配人名，还是匹配更通用的字符串？
-
@Chris，在某些情况下，局部相似性可能比全局差异性更可取。两个序列中的这种比对称为局部序列比对，在这种比对中，您更感兴趣的是找到具有最大相似性的两个字符串的子字符串。
-
@Chris 我正在比较可变长度的句子。例如：这两个句子中哪一个与第一个“更接近”： 1. 我爱。 2. 我爱每一个人。 3、你好。 #3 的得分比 #2 更接近 #1，因为它的长度相似，所以编辑距离很短。即使长度相同，编辑距离也会忽略“彼此相邻”的字母数量，尽管它在某种程度上量化了它们是否按正确的顺序排列。无论如何，即使 #2 和 #1 具有匹配的字符串 #3 具有较低的编辑距离。
标签： string algorithm string-comparison similarity sentence-similarity