在C#中匹配的模糊文本(句子/标题)

时间:2008-09-10 05:37:30

标签: c# algorithm string fuzzy-search

嘿,我正在使用Levenshteins算法来获取源字符串和目标字符串之间的距离。

我也有从0到1返回值的方法:

/// <summary>
/// Gets the similarity between two strings.
/// All relation scores are in the [0, 1] range, 
/// which means that if the score gets a maximum value (equal to 1) 
/// then the two string are absolutely similar
/// </summary>
/// <param name="string1">The string1.</param>
/// <param name="string2">The string2.</param>
/// <returns></returns>
public static float CalculateSimilarity(String s1, String s2)
{
    if ((s1 == null) || (s2 == null)) return 0.0f;

    float dis = LevenshteinDistance.Compute(s1, s2);
    float maxLen = s1.Length;
    if (maxLen < s2.Length)
        maxLen = s2.Length;
    if (maxLen == 0.0F)
        return 1.0F;
    else return 1.0F - dis / maxLen;
}

但这对我来说还不够。因为我需要更复杂的方法来匹配两个句子。

例如,我想自动标记一些音乐,我有原创歌曲名称,我有垃圾歌曲,如 super,quality,年,如 2007,2008, etc..etc ..也有些文件只有http://trash..thash..song_name_mp3.mp3,其他都是正常的。我想创建一个比现在更完美的算法..也许任何人都可以帮助我?

这是我目前的算法:

/// <summary>
/// if we need to ignore this target.
/// </summary>
/// <param name="targetString">The target string.</param>
/// <returns></returns>
private bool doIgnore(String targetString)
{
    if ((targetString != null) && (targetString != String.Empty))
    {
        for (int i = 0; i < ignoreWordsList.Length; ++i)
        {
            //* if we found ignore word or target string matching some some special cases like years (Regex).
            if (targetString == ignoreWordsList[i] || (isMatchInSpecialCases(targetString))) return true;
        }
    }

   return false;
}

/// <summary>
/// Removes the duplicates.
/// </summary>
/// <param name="list">The list.</param>
private void removeDuplicates(List<String> list)
{
    if ((list != null) && (list.Count > 0))
    {
        for (int i = 0; i < list.Count - 1; ++i)
        {
            if (list[i] == list[i + 1])
            {
                list.RemoveAt(i);
                --i;
            }
        }
    }
}

/// <summary>
/// Does the fuzzy match.
/// </summary>
/// <param name="targetTitle">The target title.</param>
/// <returns></returns>
private TitleMatchResult doFuzzyMatch(String targetTitle)
{
    TitleMatchResult matchResult = null;

   if (targetTitle != null && targetTitle != String.Empty)
   {
       try
       {
           //* change target title (string) to lower case.
           targetTitle = targetTitle.ToLower();

           //* scores, we will select higher score at the end.
           Dictionary<Title, float> scores = new Dictionary<Title, float>();

           //* do split special chars: '-', ' ', '.', ',', '?', '/', ':', ';', '%', '(', ')', '#', '\"', '\'', '!', '|', '^', '*', '[', ']', '{', '}', '=', '!', '+', '_'
           List<String> targetKeywords = new List<string>(targetTitle.Split(ignoreCharsList, StringSplitOptions.RemoveEmptyEntries));

          //* remove all trash from keywords, like super, quality, etc..
           targetKeywords.RemoveAll(delegate(String x) { return doIgnore(x); });
          //* sort keywords.
          targetKeywords.Sort();
        //* remove some duplicates.
        removeDuplicates(targetKeywords);

        //* go through all original titles.
        foreach (Title sourceTitle in titles)
        {
            float tempScore = 0f;
            //* split orig. title to keywords list.
            List<String> sourceKeywords = new List<string>(sourceTitle.Name.Split(ignoreCharsList, StringSplitOptions.RemoveEmptyEntries));
            sourceKeywords.Sort();
            removeDuplicates(sourceKeywords);

            //* go through all source ttl keywords.
            foreach (String keyw1 in sourceKeywords)
            {
                float max = float.MinValue;
                foreach (String keyw2 in targetKeywords)
                {
                    float currentScore = StringMatching.StringMatching.CalculateSimilarity(keyw1.ToLower(), keyw2);
                    if (currentScore > max)
                    {
                        max = currentScore;
                    }
                }
                tempScore += max;
            }

            //* calculate average score.
            float averageScore = (tempScore / Math.Max(targetKeywords.Count, sourceKeywords.Count)); 

            //* if average score is bigger than minimal score and target title is not in this source title ignore list.
            if (averageScore >= minimalScore && !sourceTitle.doIgnore(targetTitle))
            {
                //* add score.
                scores.Add(sourceTitle, averageScore);
            }
        }

        //* choose biggest score.
        float maxi = float.MinValue;
        foreach (KeyValuePair<Title, float> kvp in scores)
        {
            if (kvp.Value > maxi)
            {
                maxi = kvp.Value;
                matchResult = new TitleMatchResult(maxi, kvp.Key, MatchTechnique.FuzzyLogic);
            }
        }
    }
    catch { }
}
//* return result.
return matchResult;
}

这是正常的,但在某些情况下,很多标题应该匹配,不匹配......我想我需要某种公式来玩权重等,但我想不出一个。 。

想法?建议?交易算法?

顺便说一下我已经知道了这个话题(我的同事已经发布了它,但我们无法为这个问题找到合适的解决方案。): Approximate string matching algorithms

5 个答案:

答案 0 :(得分:12)

有点旧,但对未来的访客可能有用。如果您已经在使用Levenshtein算法并且需要更好一些,我会在此解决方案中描述一些非常有效的启发式算法:

Getting the closest string match

关键是你想出了3或4(或more)方法来衡量你的短语之间的相似性(Levenshtein距离只是一种方法) - 然后使用你想要匹配的字符串的真实例子同样,您可以调整这些启发式的权重和组合,直到获得最大化积极匹配数量的内容。然后你将这个公式用于所有未来的比赛,你应该会看到很好的结果。

如果用户参与了该过程,那么最好还是提供一个界面,允许用户在不同意第一选择的情况下查看排名相似的其他匹配。

以下是相关答案的摘录。如果你最终想要使用这些代码中的任何一个,我会提前道歉,因为必须将VBA转换为C#。


简单,快速,非常有用的指标。使用这个,我创建了两个单独的度量标准来评估两个字符串的相似性。一个我称之为“valuePhrase”,一个我称之为“valueWords”。 valuePhrase只是两个短语之间的Levenshtein距离,valueWords根据空格,破折号和其他任何你想要的分隔符将字符串分成单个单词,并将每个单词与其他单词进行比较,总结最短的单词Levenshtein距离连接任何两个单词。从本质上讲,它衡量一个“短语”中的信息是否真的包含在另一个“短语”中,就像单词排列一样。我花了几天作为一个侧面项目,提出了基于分隔符分割字符串的最有效方法。

valueWords,valuePhrase和Split功能:

Public Function valuePhrase#(ByRef S1$, ByRef S2$)
    valuePhrase = LevenshteinDistance(S1, S2)
End Function

Public Function valueWords#(ByRef S1$, ByRef S2$)
    Dim wordsS1$(), wordsS2$()
    wordsS1 = SplitMultiDelims(S1, " _-")
    wordsS2 = SplitMultiDelims(S2, " _-")
    Dim word1%, word2%, thisD#, wordbest#
    Dim wordsTotal#
    For word1 = LBound(wordsS1) To UBound(wordsS1)
        wordbest = Len(S2)
        For word2 = LBound(wordsS2) To UBound(wordsS2)
            thisD = LevenshteinDistance(wordsS1(word1), wordsS2(word2))
            If thisD < wordbest Then wordbest = thisD
            If thisD = 0 Then GoTo foundbest
        Next word2
foundbest:
        wordsTotal = wordsTotal + wordbest
    Next word1
    valueWords = wordsTotal
End Function

''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
' SplitMultiDelims
' This function splits Text into an array of substrings, each substring
' delimited by any character in DelimChars. Only a single character
' may be a delimiter between two substrings, but DelimChars may
' contain any number of delimiter characters. It returns a single element
' array containing all of text if DelimChars is empty, or a 1 or greater
' element array if the Text is successfully split into substrings.
' If IgnoreConsecutiveDelimiters is true, empty array elements will not occur.
' If Limit greater than 0, the function will only split Text into 'Limit'
' array elements or less. The last element will contain the rest of Text.
''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
Function SplitMultiDelims(ByRef Text As String, ByRef DelimChars As String, _
        Optional ByVal IgnoreConsecutiveDelimiters As Boolean = False, _
        Optional ByVal Limit As Long = -1) As String()
    Dim ElemStart As Long, N As Long, M As Long, Elements As Long
    Dim lDelims As Long, lText As Long
    Dim Arr() As String

    lText = Len(Text)
    lDelims = Len(DelimChars)
    If lDelims = 0 Or lText = 0 Or Limit = 1 Then
        ReDim Arr(0 To 0)
        Arr(0) = Text
        SplitMultiDelims = Arr
        Exit Function
    End If
    ReDim Arr(0 To IIf(Limit = -1, lText - 1, Limit))

    Elements = 0: ElemStart = 1
    For N = 1 To lText
        If InStr(DelimChars, Mid(Text, N, 1)) Then
            Arr(Elements) = Mid(Text, ElemStart, N - ElemStart)
            If IgnoreConsecutiveDelimiters Then
                If Len(Arr(Elements)) > 0 Then Elements = Elements + 1
            Else
                Elements = Elements + 1
            End If
            ElemStart = N + 1
            If Elements + 1 = Limit Then Exit For
        End If
    Next N
    'Get the last token terminated by the end of the string into the array
    If ElemStart <= lText Then Arr(Elements) = Mid(Text, ElemStart)
    'Since the end of string counts as the terminating delimiter, if the last character
    'was also a delimiter, we treat the two as consecutive, and so ignore the last elemnent
    If IgnoreConsecutiveDelimiters Then If Len(Arr(Elements)) = 0 Then Elements = Elements - 1

    ReDim Preserve Arr(0 To Elements) 'Chop off unused array elements
    SplitMultiDelims = Arr
End Function

相似度量

使用这两个指标,第三个只是计算两个字符串之间的距离,我有一系列变量,我可以运行一个优化算法来实现最大数量的匹配。模糊字符串匹配本身就是一种模糊科学,因此通过创建线性独立的度量来测量字符串相似性,并且我们希望彼此匹配的已知字符串集合,我们可以找到针对我们特定样式的参数。字符串,给出最佳的模糊匹配结果。

最初,指标的目标是为完全匹配提供较低的搜索值,并为越来越多的置换度量增加搜索值。在一个不切实际的情况下,使用一组定义良好的排列很容易定义,并设计最终公式,使得它们可以根据需要增加搜索值。

enter image description here

正如您所看到的,最后两个指标,即模糊字符串匹配指标,已经有一种自然趋势,即为要匹配的字符串(沿着对角线)提供低分数。这是非常好的。

<强>应用 为了优化模糊匹配,我对每个度量进行加权。因此,模糊字符串匹配的每个应用可以不同地加权参数。定义最终得分的公式是指标及其权重的简单组合:

value = Min(phraseWeight*phraseValue, wordsWeight*wordsValue)*minWeight + 
        Max(phraseWeight*phraseValue, wordsWeight*wordsValue)*maxWeight + lengthWeight*lengthValue

使用优化算法(神经网络在这里是最好的,因为它是一个离散的,多维度的问题),现在的目标是最大化匹配数。我创建了一个函数,可以检测每个集合的正确匹配数量,如最终屏幕截图所示。如果为最低分数分配了要匹配的字符串,则列或行获得一个点;如果最低分数存在平局,则给出部分分数,并且正确匹配在绑定的匹配字符串中。然后我优化了它。您可以看到绿色单元格是与当前行最匹配的列,单元格周围的蓝色方块是与当前列最匹配的行。底角的分数大致是成功匹配的数量,这就是我们告诉我们的优化问题最大化。

enter image description here

答案 1 :(得分:6)

听起来你想要的可能是最长的子串匹配。也就是说,在您的示例中,有两个文件,如

trash..thash..song_name_mp3.mp3 和 garbage..spotch..song_name_mp3.mp3

最终会看起来一样。

当然,你需要一些启发式方法。你可能尝试的一件事是将字符串放入soundex转换器。 Soundex是用于查看“声音”是否相同的“编解码器”(就像您可能告诉电话接线员一样)。它或多或少是一个粗略的语音和错误发音半证明音译。它绝对比编辑距离更差,但更便宜。 (官方用于名称,只使用三个字符。没有理由停在那里,只是使用字符串中每个字符的映射。有关详细信息,请参阅wikipedia

所以我的建议是对你的弦进行索引,将每一个切成几个长度的段(比如说5,10,20),然后再看看簇。在群集中,您可以使用更昂贵的内容,例如编辑距离或最大子字符串。

答案 2 :(得分:6)

您的问题可能是区分噪音词和有用数据:

  • Rolling_Stones.Best_of_2003.Wild_Horses.mp3
  • Super.Quality.Wild_Horses.mp3
  • Tori_Amos.Wild_Horses.mp3

您可能需要生成要忽略的干扰词词典。这看起来很笨重,但我不确定是否有一种可以区分乐队/专辑名称和噪音的算法。

答案 3 :(得分:3)

在DNA序列比对的某些相关问题上做了很多工作(搜索“局部序列比对”) - 经典算法是“Needleman-Wunsch”,而更复杂的现代算法也很容易找到。这个想法 - 类似于Greg的答案 - 而不是识别和比较关键字,试图在长字符串中找到最长松散匹配的子串。

令人遗憾的是,如果唯一的目标是对音乐进行排序,那么涵盖可能的命名方案的一些正则表达式可能比任何通用算法都更好。

答案 4 :(得分:0)

GitHub repo实现了几种方法。