根据相似性对字符串进行排序

Question

考虑以下字符串：

• 他llo
• 再见
• 你好
• =（再见）
• （他）（LLO）
• 再见
• 氦

我试图以这样的方式对这些进行排序，以至于类似的单词汇集在一起​​，我知道

1. alphanumerical sorting不是一个选项
2. 删除特殊字符",-_ and etc然后进行比较肯定有帮助，但结果不会像我希望的那样好。

注意：

可能没有多少不同的期望输出，其中一个是：

期望的输出：

1. 你好
2. 他llo
3. （他）（LLO）
4. 氦
5. 再见
6. 再见
7. =（再见）

所以我的问题是，如果有一个java包比较字符串并最终根据它进行排序。

我听说过n-gram和skip-gram这样的术语，但对它们并不十分了解。我甚至不确定它们是否对我有用。

更新： 找到相似之处肯定是我的问题的一部分，但主要问题是排序部分。

Answer 1

这是一种可能的方法。

计算每对字符串之间的edit distance/Levenshtein distance，然后使用查看字符串作为边缘权重来自编辑距离的完整图形。选择这些权重的阈值并删除所有权重。然后在此图表中找到cliques。如果您的阈值相当低，甚至可能会选择连接组件。

注意： 也许最好用@dognose发布的链接中的一个相似性度量替换一些编辑距离。 另外，请注意，如果您有大量字符串

，那么查找派系的速度会非常慢