我有一个~10M实体的列表。我需要将用户输出的实体与列表中的实体进行匹配。用户经常拼错实体（即orang而不是orange）。我需要更正1-2个字母替换实例（aca而不是aba），插入字母（aca而不是ac）和删除字母（aca而不是acca）。我希望在实体列表的大小不变的情况下这样做。
制作一个字母，列出所有可能的1-2个字母的拼写将是恒定的时间，但需要一个难以处理的大量内存。编辑距离相对于实体列表的大小在时间上是线性的。我认为可能有一种聪明的算法可以将候选匹配修剪为＆lt; 100（可能通过实体中字母的巧妙散列）。然后我可以在一小组候选人上运行编辑距离。
有谁知道这种技术会起作用吗？
答案 0 :(得分：1)
除了Matt评论中的链接文档（建议仅通过删除生成/比较/搜索），您可以尝试使用DAWG aka MADFA aka DAFSA来存储所有可能的距离= 2个单词。例如，对于Python，有pyDAWG。不确定节省的空间是否足以满足您的需求，因为这取决于语言，但如果您的词缀相似，则可能非常重要：每次替换/删除只是一个额外的弧，每次插入只有一个节点