Question

我们正在处理来自某些不支持短信连接的运营商（Sprint）的短信。在某些情况下，我们会收到随机排列的消息，我想将它们拼接回原始文本中。文本每次都很明显，但这是一个示例消息。

以下是我们收到的订单中的消息

收到第1名，应该是3 - 96个字符

需要在尽可能高的水平上完成我的工作。我有所有ABC调查都收到100分。

收到第2名，应该是第1名--159个字符

自2014年10月以来，我作为小工具制造商一直在这个部门工作我是优秀的客户服务团队。我也收到了一个我已经四分之一

收到第3名，应该是第2名--157个字符

符合资格。我也多次获得Top Performer 以及在总统俱乐部13次。我非常精通所有申请

我想将这些重新订购为原始文本

自2014年10月以来，我作为小工具制造商一直在这个部门工作我是优秀的客户服务团队。我也收到了一个我有资格参加的季度。我也收到了Top Performer 多次以及总统俱乐部13次。我是非常精通所有在我的工作所需的应用程序最高级别。我在ABC调查中收到了100份。

有没有人知道如何做到这一点？

Answer 1

一般而言，一种天真的方法是使用语言模型来决定哪种排序是最“自然”的。我无法提供任何代码，因为您没有提供此框架的任何细节。

您应该使用与文本语料库相似的模型（在词汇，拼写等方面）。生成所有可能的排序，然后测量模型对每个排序的困惑。

（生成所有排列是O(n!)，这或多或少是最坏的情况，但对于小n s（SMS片段的数量），它应该没问题。但如果这是一个问题，您可以构建片段的n×n矩阵，并使用Viterbi算法找到最佳路径，对语言模型进行增量查找。你必须以某种方式强制执行所有碎片发生的路径。）

Answer 2

我从lenz的回答中提出了生成所有排列的建议，并尝试使用Conditional Probabilities from Azure但收效甚微。该服务仍处于测试阶段，当然对我们的测试消息没有帮助。收到的短信会有很大差异，所以我们似乎不太可能创建模型并测试可能的排序。

在我们的特定情况下，我们确定运营商（Sprint）基于空格中断消息，并且每条消息中最多只发送160个字符。基于该数据，我们生成了消息的每个可能的排序，以查看运营商是否会以这种方式破坏消息。根据上面的3条消息，这些消息有6种可能的排序方式。（下同）

<强> 1-2-3

1 -> 2: 96 + " I" = 98. 98 < 160 - Not a valid possibility
2 -> 3: 159 characters + " been" = 164. 164 >= 160 - OK

<强> 1-3-2

1 -> 3: 96 characters + " been" = 101.  101 < 160 - Not a valid possibility
3 -> 2: 157 characters + " I" = 159. 159 < 160 - Not a valid possibility

<强> 2-1-3

2 -> 1: 159 characters + " needed" = 166. 166 >= 160 - OK
1 -> 3: 96 characters + " been" = 101.  101 < 160 - Not a valid possibility

<强> 2-3-1

2 -> 3: 159 characters + " been" = 164. 164 >= 160 - OK
3 -> 1: 157 characters + " needed" = 164. 164 >= 160 - OK

<强> 3-2-1

3 -> 2: 157 characters + " I" = 159. 159 < 160 - Not a valid possibility    
2 -> 1: 159 characters + " needed" = 166. 166 >= 160 - OK`

<强> 3-1-2

3 -> 1: 157 characters + " needed" = 164. 164 >= 160 - OK 
1 -> 2: 96 + " I" = 98. 98 < 160 - Not a valid possibility

从上面的计算可以看出，唯一有效的组合是2-3-1。其他组合会有不同的分歧。在我们有一种可能性的情况下，我们将其用作“答案”。

如果我们有超过1种可能性的场景，我们会使用一些基于大小写和标点符号的加权算法来找到最佳拟合。如果我们仍然无法确定答案，那么我们在收到消息的顺序中取得了最高的加权结果（它们在大多数时间以正确的顺序排列）。