Question

我正在寻找一种全文搜索算法，可以找到类似的程序名称，例如“Mozilla Firefox”和“Firefox 3.5，或”Adobe Reader“和”Adobe Acrobat Reader v10“.Levenshtein距离是在这种情况下效率太低，因为拼写不会改变。

必须使用串行扫描（不是索引）。

我需要最大的精度和最小的错误。你会推荐什么？

谢谢！

Answer 1

模式比较

我使用以下内容自动更正某些域名。

我们的想法是研究小模式，例如2个字符序列。每次找到这样的序列时，对于比较的序列，“得分”递增。最高分可能看起来相似。

例：火狐浏览器 =＆GT; ['mo'，'oz'，'zi'，'il'，'ll'，'la'，'a'，'f'，'fi'，'ir'，'re'，'fo'，'牛']

结果：

'Firefox 3.5'=＆gt; 5，
'Adobe Reader'=＆gt; 0，
'Adobe Acrobat Reader v10'=＆gt; 1

使用压缩自动分类

这个不是基于全文的。

这里的想法，用this document表示，是将两个项目的串联压缩与压缩项目的串联进行比较。

设c是返回压缩项大小的函数：

d = c（A）+ c（B）-c（A + B）

d越小，A和B越接近。
一个有趣的特性是该原则与类型无关，可以与音乐，图片，视频等二进制文件一起使用。

Another link, easier to read but in French.

使用SGDB全文功能

我在SQL Server上有点生疏，但SQLite或MySQL提供全文搜索结果包括“等级”值，可以将其视为相似性得分。

在MySQL中：

SELECT
  t.*,
  MATCH(my_field) AGAINST 'Mozilla Firefox' as relevance
FROM
  table t
WHERE
  MATCH(my_field) AGAINST 'Mozilla Firefox'
ORDER BY relevance DESC
LIMIT 100

全文搜索：查找类似的软件名称

1 个答案:

模式比较

使用压缩自动分类

使用SGDB全文功能