将填充有相似度分数的矩阵分组到桶中

Question

假设我们在strs 中有 n 个字符串。您将所有字符串比较在一起，全排列 (n^2) 并构建一个 nxn 矩阵，其中每个单元格是 2 个字符串 (i, j) 之间的相似度分数。

如何更进一步并将它们分组到存储桶中？实际上，我希望这些字符串相似/落入一个桶中——但有可能一些新字符串可能不会，所以我想找到最相似的地方或重新计算桶。

public Map<String, List<String>> bucketIt(String[] strs) {
    int[][] arr = new int[strs.length][strs.length];
    for (int i = 0; i < strs.length; i++) {
        for (int j = 0; j < strs.length; j++) {
            arr[i][j] = getSimilarityScore(strs[i], strs[j]);
        }
    }

    // How do I take the scores out of arr[][] and group the strings of strs into buckets.
}

我打算使用tdebatty/java-string-similarity 来计算分数。对所有桶使用阈值的解决方案也是可以接受的。

Answer 1

也许您可以使用 HashTable 类型的方法，在同一个存储桶中存储相似的字符串（即分数在 [score - bucket_size, score + bucket_size) 范围内）。

存储桶只是一个包含所有字符串的（链接）列表的数组，这些字符串具有上述定义的相似分数。

理想情况下，您希望保持桶中的列表较小，并使用指数增长算法根据需要增加桶的数量。当你长大后，你会重新整理你的表格。