用于检索Levenshtein距离附近的字符串的数据结构

Question

例如，从英语单词集开始，是否有一个结构/算法允许快速检索字符串，如“light”和“tight”，使用“right”作为查询？即，我想检索与查询字符串的Levenshtein距离较小的字符串。

Answer 1

此处BK-tree数据结构可能合适。它旨在有效地支持“查询单词中编辑距离k以内的所有单词是什么？”形式的查询？它的性能保证相当不错，并且实施起来并不太难。

希望这有帮助！

Answer 2

由于对于长度为n和m的字符串计算Levenshtein距离为O(nm)，计算所有Levenshtein距离L(querystring, otherstring)的天真方法非常昂贵。

但是，如果您可视化Levenshtein算法，它基本上会填充具有编辑距离的n * m表。但对于以相同的几个字母（前缀）开头的单词，Levenshtein表的前几行将是相同的。 （当然，修复查询字符串。）

这表明使用trie (also called prefix tree)：阅读查询字符串，然后构建一系列Levenshtein行。之后，您可以轻松遍历它以查找接近查询字符串的字符串。

（ 意味着你必须为新的查询字符串构建一个新的trie。我不认为所有对有一个类似的有趣结构的距离。）

我以为我最近看到一篇关于这个的文章有一个很好的python实现。如果我能找到它，将添加一个链接。 修改： Here it is, on Steve Hanov's blog.

Answer 3

我认为最快的方法是预先建立一个可以在O（1）时间内索引和访问的相似性缓存。诀窍是找到常见的拼写错误添加到缓存中，这可能会变得非常大。

我想谷歌会使用各种统计查询搜索数据做类似的事情。