我开发了一个系统，允许访问者为我的博客提交拼写错误更正。它的工作原理是拥有一个小型客户端应用程序，然后将unified diff发送到服务器。在这之后，我有一个界面，它允许我以一种漂亮的图形方式查看所有差异，对它们进行排序等。
然而，我认为随着时间的推移，许多访问者会在我有时间修复它们之前提交相同的更正。所以我需要一种方法将相似或相同的差异组合在一起。
相同的差异很容易。但可能有人以不同的方式修复错误，例如使用美国或英国的拼写，不同的标点符号规则，对不明确的短语的不同理解，这种事情。对类似的差异进行分组会非常有帮助。
是否有专门设计或可用于计算差异相似性的技术，算法或工具？
答案 0 :(得分：1)
我认为你有两个问题需要解决：1。识别相同文本的修复（例如相同的拼写错误位置），2。可能删除具有相同或几乎相同的解决方案的那些，并至少分组所有相关的补丁到那个地方。
问题1.统一的diff格式有点好，因为它给出了行，但是单词级别或字符级别的差异（例如，将每个单词计为wdiff的行）可能更精确，帮助您更准确地分组补丁。
问题2.如果补丁是相同的，如你所说它是微不足道的，如果它们不同，解决问题1已经完成了很多工作。您当然可以使用标准化，例如＆＃34;变形的单词部分删除＆＃34; （例如，在单词结尾处删除＆＃39;，＆＃39;等等）或＆＃34;更低的外壳＆＃34;在比较之前，统一差异中的替换部分，从而帮助将几乎相同的解决方案组合在一起。
问题1是补丁集成或合并暂停的问题。问题2与您的特定情况更相关。
答案 1 :(得分：0)
也许您可以采用Damerau-Levenshtein算法。它用于计算两个字符串之间的距离。