模糊匹配数

Question

我一直在使用 Double Metaphone 和 Caverphone2 进行字符串比较，它们在姓名、地址等方面效果很好（Caverphone2 最适合我）。但是，当您获取数字值（例如电话号码、IP 地址、信用卡号码等）时，它们会产生太多误报。

所以我查看了Luhn 和Verhoeff 算法，它们基本上描述了我想要的，但并不完全。它们似乎擅长验证，但似乎不是为模糊匹配而构建的。有没有像 Luhn 和 Verhoeff 那样的行为，可以检测到涉及两个相邻数字的个位错误和换位错误，用于类似于模糊字符串算法的编码和比较目的？

我想对一个数字进行编码，然后将其与 100,000 个其他数字进行比较，以找到非常相似的匹配项。因此，类似 7041234 的内容会与 7041324 匹配，因为可能存在转录错误，但类似 ​​4213704 的内容不会。

Answer 1

Levenshtein and friends 可能有助于查找特定字符串或数字之间的距离。但是，如果您想构建一个拼写校正器，您不希望在每次查询时都遍历整个单词数据库。

Peter Norvig 在基于 google 拼写建议背后的一些技术的简单“模糊匹配”拼写纠正器上写了 a very nice article。

如果您的字典有 N 条目，并且平均单词的长度为 L，则“蛮力 Levenshtein”方法将花费时间 O(N*L^3)。 Peter Norvig 的方法改为生成距输入一定编辑距离内的所有单词，并在字典中查找它们。因此它达到了O(L^k)，其中k是考虑的最远编辑距离。