模糊句子搜索算法

Question

假设我有一组短语 - 大约 10 000 - 平均长度 - 7-20 个单词，我想在其中找到一些给定的短语。我正在寻找的短语可能有一些错误——例如遗漏一两个词、一些词错位或一些随机词——例如我的数据库包含“当我骑着我的红色自行车时，我看到了克里斯汀”，而我非常想要“当我骑着我的蓝色自行车时，看到了 Christine”，或者“我骑着我的自行车，我看到了 Christine 和 Marion”。有什么好的方法可以解决这个问题？我知道 Levenhstein 的距离，我也认为这个问题可能没有简单、好的解决方案。

Answer 1

一个好的文本搜索引擎会提供你描述的功能，fsh。一种典型的方法是创建一个匹配的查询，如果任何单词出现，并使用基于彼此接近出现的术语数量的权重排序结果，并与其出现的概率成反比，因为不常见的单词会更少很可能偶然同时发生。有一个关于这种事情的完整理论称为信息检索，但也许你知道。此外，您希望通过规范化大小写、标点符号等并应用一些基本的语言转换（词干）来确保单词级别的模糊性，并且在某些情况下引入同义词词典，尤其是在有领域知识的情况下可以调节它。

如果你有兴趣搞这些东西，试试开源搜索引擎，this article by Vik 从 2009 年的角度进行了合理的调查，this one by Middleton and Baeza-Yates 对该主题进行了很好的详细介绍。