用于比较词汇相似性的数字哈希

Question

是否有某种形式的散列算法可以为相似的词产生相似的数值？我想会有很多误报，但这似乎对搜索修剪有用。

编辑：Soundex 很简洁，可能会派上用场，但理想情况下，我想要这样的东西：abs(f('horse') - f('hoarse')) < abs(f('horse') - f('goat'))

Answer 1

Soundex 算法生成与输入单词中的音素相对应的键字符串。 http://www.archives.gov/research/census/soundex.html

如果您只想比较字符串之间的相似性，请尝试 Levenstein Distance。 http://en.wikipedia.org/wiki/Levenshtein_distance

Answer 2

你所说的叫Locality-sensitive Hashing。它可以应用于不同类型的输入（图像、音乐、文本、空间位置，任何你需要的）。

不幸的是（尽管搜索）我找不到任何实际的字符串 LSH 算法实现。

Answer 3

您可以随时尝试Soundex，看看它是否符合您的需求。

Answer 4

查看 wikipedia 上的 Soundex 算法，您没有指定语言，但那里有多种语言的示例实现链接。显然，这将为您提供一个与发音相似的单词相同的字符串哈希，并且您需要一个整数，但您可以应用他们在Boost.Hash 中使用的字符串->整数哈希方法。

编辑：为了澄清，这里是一个示例 C++ 实现...

#include <boost/foreach.hpp>
#include <boost/functional/hash.hpp>

#include <algorithm>
#include <string>
#include <iostream>

char SoundexChar(char ch)
{
    switch (ch)
    {
        case 'B':
        case 'F':
        case 'P':
        case 'V':
            return '1';
        case 'C':
        case 'G':
        case 'J':
        case 'K':
        case 'Q':
        case 'S':
        case 'X':
        case 'Z':
            return '2';
        case 'D':
        case 'T':
            return '3';
        case 'M':
        case 'N':
            return '5';
        case 'R':
            return '6';
        default:
            return '.';
    }
}

std::size_t SoundexHash(const std::string& word)
{
    std::string soundex;
    soundex.reserve(word.length());

    BOOST_FOREACH(char ch, word)
    {
        if (std::isalpha(ch))
        {
            ch = std::toupper(ch);

            if (soundex.length() == 0)
            {
                soundex.append(1, ch);
            }
            else
            {
                ch = SoundexChar(ch);

                if (soundex.at(soundex.length() - 1) != ch)
                {
                    soundex.append(1, ch);
                }
            }
        }
    }

    soundex.erase(std::remove(soundex.begin(), soundex.end(), '.'), soundex.end());

    if (soundex.length() < 4)
    {
        soundex.append(4 - soundex.length(), '0');
    }
    else if (soundex.length() > 4)
    {
        soundex = soundex.substr(0, 4);
    }

    return boost::hash_value(soundex);
}

int main()
{
    std::cout << "Color = " << SoundexHash("Color") << std::endl;
    std::cout << "Colour = " << SoundexHash("Colour") << std::endl;

    std::cout << "Gray = " << SoundexHash("Gray") << std::endl;
    std::cout << "Grey = " << SoundexHash("Grey") << std::endl;

    return 0;
}