我正在寻找一种能够帮助我对相似单词进行分类/分组的算法（例如，“Amazon.com”类似于“亚马逊”或“Amz”或“Amzon”）。 Levenshtein是一个常用的建议算法，但有其他像Jaro Winkler等（例如，this is the Python library有一些单词相似性指标）
我想知道那些做过类似词汇聚/分组的人是否会有更有效的建议。谢谢！
答案 0 :(得分：1)
我做过类似的事情。我使用Levenshtein进行了大量的启发式算法。
您应该真正查看数据并尝试找出最适合您的数据。 Jaro Winkler的名字很好。如果您尝试将其用于md5 ID，那么您将度过一段美好时光。 如果您的字符串彼此自然非常接近，则两种方法可能没有足够的粒度来帮助您，或者您可能需要来自外部源的更多信息。
总之，尝试设置一些沙盒环境并尝试通过数据运行不同的算法，看看哪个更好。您还可以查看每个算法所犯的错误，并查看a）您是否可以使用它或b）您可以轻松修复它。