带加权滤波器的字符串模式识别算法？

Question

是否有模式识别算法，我可以指定匹配或缺少某些参数的权重？例如，假设我有3个字符串：

str1 = Samsung 11.6" 64GB Slate PC Tablet with Wi-Fi - Black  
str2 = Samsung Series 7 XE700T1A-A05US 11.6-Inch Slate (64 GB, Win 7 Pro)
str3 = Samsung Series 7 XE700T1A-A03US 11.6-Inch Slate (128 GB SSD, Win 7 HP)

我想将str2与str1匹配，因为它们具有相等的GB，即使传统的字符串距离会说str2更接近str3。实际上，我希望能够处理大量具有不同权重的参数。

任何指向正确方向的指标都将受到赞赏。

Answer 1

1. 创建命名实体的字典，例如“三星”，“英寸”，“Wi-Fi”等
2. 创建一组规则以提取功能，例如{Number}{Space}?"GB"为千兆字节，{TradeMark}{Space}"Series"{Space}{Number}为商标和系列。
3. 创建要素向量，将已知属性设置为相应的值，将未知属性设置为“NA”（不可用）。
4. 测量项目之间的距离（表示为要素向量），而不是字符串。

注意：为了更轻松地使用词典和规则，请考虑使用GATE框架。要测量2个向量之间的距离，您可以使用cosine distance。

Answer 2

您可能想要做的是开发一个解析器，从String中提取相关信息，然后对其进行加权，而不是对字符串本身进行操作。

这可以包括生成一组正则表达式，用于提取所需的花絮（这些被称为＆＃39;特征＆＃39;例如GB）或使用更复杂的解析或NLP技术。然后你自己开发一个权重函数或使用某种clustering（用于相似性）或classifier（用于将事物分类）

对于您的简单示例，生成看起来像GB [0-9]+的正则表达式应足以进行比较。