我有两个文本文档，想要在两个文档之间进行匹配。单词可以在任何地方匹配 - 例如，doc1的单词＃5可以匹配单词＃3和doc2的单词＃67;然后doc1的单词＃23可以再次匹配doc2的单词＃3和单词＃67 - 所以我想要所有的匹配。此外，除了单字匹配之外，我希望类似地在两个文档之间获得连续的多个（2个字，3个字...... 15个字等）字匹配。我该如何在Java中解决这个问题？我一直在研究正则表达式，但我仍然不相信确切的方法。
答案 0 :(得分：1)
首先，您需要将文档分成n个单词（1个单词，2个单词，3个单词，...，n个单词） - 这些单词称为n-gram。请参阅here。
其次，从文档A创建一组n-gram。然后，对于文档B中的每个n-gram，检查它是否在集合中。
答案 1 :(得分：0)
我建议你为每个文档维护一个单词的树集，循环通过第一个树集并检查匹配与第二个匹配应该完成你的任务。
对于多个单词部分使用相同的技巧只获得两个单词组，例如
word1 word2 word3 yay!
取word1 word2并将其放入树集中，然后取word2 word3并执行相同操作。您可以使用正则表达式来删除标点符号，因此算法应包含三个步骤：
关于第1点要小心，因为例如这些短语是相同的：
我吃了，猫没有，我做了
我吃了猫，不是'我？做到了！