我正在开发一个允许导入文件本地化为其他语言的系统。
这主要是一个私有项目，可以获得MVC3，EntityFramework，LINQ等等。因此，我喜欢做一些疯狂的事情来为最终结果增添趣味，其中一个就是识别相似的字符串。
想象一下，你有以下的字符串列表 - 借鉴过我曾经合作过的游戏：
正如您所看到的，一旦用户翻译了前4个字符串，以下4个字符串就有很多相似之处，在这种情况下：
考虑前4个字符串确实已经翻译，当用户从列表中选择第5个字符串时，我可以使用什么样的算法或技术向用户显示子标题下的第1个字符串（可能还有其他字符串） “类似字符串”？
编辑 - 关于Levenshtein距离的一点评论： 我目前正在数据库中定位10k字符串。 Levenshtein Distance比较每串的字符串，因此在这种情况下，10k x（10k -1）可能的组合。我将如何以可行的方式处理这个问题？这个特定算法有更好的解决方案吗？
答案 0 :(得分：5)
您可以查看Levenshtein Distance。低于某个阈值的那些将被认为是相似的。两个相同的字符串的距离为零。
在Rosetta Code上有一个C＃实现，以及其他语言。
答案 1 :(得分：0)
这取决于数据的大小和词汇量的丰富程度。 这是第一个想法： 为字符串构建单词地图 然后另一个字对映射到字符串 也许如果数据不是字符串三元组到字符串的巨大映射。 删除指向单个字符串的映射（这将显着减少三元组映射的数量）。 如果构建它需要时间，请将结果字典保存在磁盘或数据库中。
现在给定一个字符串，您应该能够快速将其拆分为单词，单词对和三元组，并查找与其相关的所有字符串。你将需要玩三重奏匹配与4个单词匹配的重量。即是 “我是一个老人”更接近“一个老人吃了胡萝卜”或“男人用箭头杀死了老狗”（听起来像三胞胎比赛更重要）。
更新：如果在Microsoft SQL Server数据库中，您可以使用全文搜索功能。我从来没有尝试过。 您还应该查看Lucene。