基于Java中度量距离的快速字符串检索

Question

给定一个任意字符串 s ，我想要一种从大量字符串M（其中| M |＆gt;）快速检索所有字符串S⊆M的方法。 1百万），其中S的所有字符串具有最小的编辑距离＆lt;来自 s 的t（某个最低阈值）。

最糟糕的是，如果M中没有字符串符合此条件，则S可能为空，并且最多只有S = { s }（完全匹配）。对于介于两者之间的任何情况，我完全相信S可能非常大。

一般情况下，我希望修复最大编辑距离阈值（例如2），并且需要在任意字符串 s 上执行此操作很多次，因此，需要一种有效的方法，因为天真地迭代和测试所有字符串会太昂贵。

虽然我使用编辑距离作为示例指标，但我也想使用其他指标，例如Jaccard索引。

任何人都可以对现有的Java实现提出建议，或者指出正确的算法和数据结构来解决这个问题吗？

更新＃1

我已经了解到Metric trees正是我所追求的那种结构，它利用距离度量来根据它们与度量的距离来组织M中的字符串子集。 Vantage-Point，BK和其他类似的度量树数据结构和算法似乎都适用于此类问题。现在，在Java中找到易于使用的实现......

更新＃2

结合使用此bk-tree和此Levenshtein distance实现，我成功地能够从一百万字符串的集合（M）中检索任意字符串的子集，并且检索时间大约为为10ms。

Answer 1

BK trees专为此类案例而设计。它适用于公制距离，例如Levenshtein或Jaccard指数。

Answer 2

虽然我自己从未尝试过，但可能值得一看Levenshtein Automaton。我曾经给这篇文章添加了书签，它看起来相当复杂，并提供了几个代码片段：

Damn Cool Algorithms: Levenshtein Automata

正如H W已经提到的，你将无法避免检查字典中的每个单词。但是，自动机将加快计算距离。将此与您词典的高效数据结构相结合（例如，维基百科文章中提到的Trie），您可以加速当前的方法。