是否有散列函数可用于查找类似（不一定相等）的字符串？

Question

我需要的是一个以固定数据大小运行的散列函数，显然是出于非安全目的。它需要将类似的字符串映射到相似或相等的哈希值，换句话说，字符串中的小变化应该对哈希值没有或只有很小的变化。

例如：我的名字是John ，我的名字是Jon 应该具有相同或非常相似的哈希值。 我的名字是约翰，你的名字是利亚姆应该会产生一些类似的哈希值。 我的名字是John ，我住在美国应该提供完全不同的哈希。 等等！

是否有用于类似目的的散列函数？

Answer 1

没有可靠的方法来实现这一目标。这是由于鸽子原理;两个短字符串比两个长字符串“接近”的方式要少得多。

然而，有模糊散列的概念，这可能会让你在那里的一部分。

Answer 2

听起来你正在寻找Levenshtein距离（见http://en.wikipedia.org/wiki/Levenshtein_distance）。

在各种语言中有很多这样的实现。

Answer 3

我认为在这种情况下Jacard索引可能会有所帮助.Jaccard索引是对两组相似程度的简单衡量。它只是集合交集的大小与集合的大小的比率。

有一篇博客讨论Jaccard Similarity Index for measuring Document Similarity我发现更接近你的需求。