如何计算 C# 中两个字符串之间的相似度？

Question

我希望评估两个字符串之间的相似性（包括大小写）并给出一个介于 0 和 1 之间的值。

我尝试了 Levenshtein 距离实现，但它只给出整数，不比较内部字母。

例如比较“ABCD”和“Abcd”给出的距离为 3，而“AOOO”也给出了 3 的距离，但显然“Abcd”比“AOOO”更匹配。

因此，与“ABCD”相比，我希望“ABcd”最相似，然后是“Abcd”，然后是“AOOO”，然后是“AOOOO”

我也看过here，但我不是在寻找可变长度算法。

谢谢

Answer 1

    bool check(string[] a, string s)
    {
        for (int i = 0; i < a.Length; i++)
            if (s == a[i])
                return true;
        return false;
    }

    public double simi(string string1, string string2)
    {
        int sub1 = 0;
        int sub2 = 0;
        string[] sp1 = new string[string1.Length - 1];
        string[] sp2 = new string[string2.Length - 1];
        string[] sp3 = new string[string1.Length - 1];
        string[] sp4 = new string[string2.Length - 1];
        for (int i = 0; i < string1.Length - 1; i++)
        {
            string x = "";
            x = string1.Substring(i, 2);

            sp1[sub1] = x;
            ++sub1;
        }
        for (int i = 0; i < string2.Length - 1; i++)
        {
            string x = "";
            x = string2.Substring(i, 2);
            sp2[sub2] = x;
            ++sub2;
        }


        int j = 0, k = 0;

        for (int i = 0; i < sp1.Length; i++)
            if (check(sp3, sp1[i]) == true)
            {

                continue;
            }
            else
            {
                sp3[j] = sp1[i];
                j++;

            }

        for (int i = 0; i < sp2.Length; i++)
            if (check(sp4, sp2[i]) == true)
            {

                continue;
            }
            else
            {
                sp4[k] = sp2[i];
                k++;


            }

        Array.Resize(ref sp3, j);
        Array.Resize(ref sp4, k);

        Array.Sort<string>(sp3);
        Array.Sort<string>(sp4);

        int n = 0;


        for (int i = 0; i < sp3.Length; i++)
        {

            if (check(sp4, sp3[i]))
            {

                n++;
            }


        }

        double resulte;

        int l1 = sp3.Length;
        int l2 = sp4.Length;

        resulte = ((2.0 * Convert.ToDouble(n)) / Convert.ToDouble(l1 + l2)) * 100;

        return resulte;
    }

Answer 2

使用自定义表 T 调整 Levenshtein 距离。令插入成本 = 1。删除成本也为 1。令 T(c,d) 表示将 c 替换为 d 的惩罚。 T(c,c) 应该 = 0。T(c,d) 应该

定义 Max(n,m) 为长度为 n 和 m 的字符串的最大理论距离。显然，Max(n,m) = n+m。

定义距离(s,t)为将s更改为t的成本除以Max(s,t)。给你。

在定义 T 时要小心，以便定义遵循距离公理：

• 距离(s,s) = 0
• 距离(s,t) = 距离(t,s)
• 距离(s,t)

那么它会在更多的情况下更有用。

Answer 3

试试这样的

double d = (LevenshteinDist(s, t) + LevenshteinDist(s.ToLower(), t.ToLower())) /
           2.0 * Math.Max(s.Length, t.Length);

如果您希望对大小写差异的重要性低于字母差异，则可以对术语赋予不同的权重

double d = (0.15*LevenshteinDist(s, t) + 
            0.35*LevenshteinDist(s.ToLower(), t.ToLower())) /
           Math.Max(s.Length, t.Length);

请注意，权重总和为 0.5，因此除以 2.0 已过时。