我有一个充满城镇及其地理数据和一些输入数据的数据集。这个输入数据几乎总是一个城镇。但是，如果城镇被互联网刮掉，它们可能会有点拼写错误或拼写不同。例如圣彼得堡＆lt; - ＆gt;圣彼得堡
在我的研究过程中，我遇到了几个算法并尝试了两个算法。首先我尝试了
Sørensen–Dice coefficient。这给了我一些有希望的结果，直到我尝试将短字符串与较长的字符串匹配。当所有字符串的大小大致相同时，算法非常好，但是当它们的大小差别很大时，您会得到混合的结果。例如将Saint与该集匹配时，它会将Sail作为最佳匹配，而我需要Saint-Petersburg。
我试过的第二个算法是Levenshtein distance，但出于同样的原因，它的表现并不好。
我遇到了其他一些算法，例如余弦相似度，最长公共子序列等等，但这看起来有点复杂，我想保持计算成本降低。
是否有任何算法优先匹配匹配百分比的匹配长度？
任何人都有匹配奇怪拼写城镇名称的经验吗？请让我知道！
编辑：
我认为SO question可能是重复的，但事实证明它描述的是Sorenson-Dice。