假设我有一个包含其标题的书籍数据库。对于来自eBay或Craigslist或其他此类网站的特定列表，我想将其标题字符串与我数据库中的所有书名进行比较，以尝试找到匹配项。
由于这些网站上的用户喜欢将“完美条件”和“快速发货”等内容添加到其列表标题中以吸引买家，因此不太可能存在确切的字符串相等性。
我应该使用哪种算法来进行此类关联？我知道n-gram和Levenshtein距离，但我不知道哪个会做最准确的工作。
对于各种适用的算法，他们的计算性能如何比较？使用多种算法并平均其结果以平衡其优势和劣势是否有意义？是否可以设定最低置信度？我宁愿没有比赛更糟糕的比赛。
答案 0 :(得分：0)
对于手头的任务，我认为通过一些预处理可以获得最佳效果：删除常见的＆＃34; null＆＃34;短语（那些你不想看到的），这样你就有一个较小的标题可能会将实际的标题作为主要部分。
下一步取决于您的数据库大小和请求开销。如果这些便宜，那么从数据库中提取标题列表，看看eBay文本中存在哪些标题（多种语言的单个命令）。如果这对您有用，那么即使是预处理也可能是不必要的开销。
如果完整的数据库列表很昂贵，但数据库索引很好，那么尝试从易趣文本中抓取可能的n-gram（比如2-3个单词），然后在数据库中搜索它们。您应该获得相对较少的返回值，然后您可以在完整的eBay文本中尝试 in toto 进行匹配。