Question

我正在尝试将完整字符串与其缩写版本进行比较，并根据其相似性返回分数。

这是一个例子：

Quart Vara Civel Santana de Parnaiba

以及可能的缩写

Qta VC Sta Parnaiba

Q V C Sta Pba

4 VC Sta Parnaiba

我尝试使用FuzzyStrings dll来执行此操作，但是当涉及第二个和第三个示例的严重缩写时，效果不佳。

关于如何处理此问题的任何想法？

Answer 1

使用this answer中的Jaro-Winkler距离类，该类优先考虑匹配的前缀，并将每个缩写成分与短语单词进行比较（选择最大匹配以补偿跳过的单词），我们可以编写这些扩展名：

public static class StringExt {
    public static double JaroWinklerDistance(this string s1, string s2) => JaroWinkler.proximity(s1, s2);

    private static Regex AbbrevSplitRE = new Regex(@" |(?=\p{Lu})", RegexOptions.Compiled);
    public static double AbbrevSimilarity(this string abbrev, string phrase) {
        var phraseWords = phrase.Split(new[] { ' ' }, StringSplitOptions.RemoveEmptyEntries);
        return AbbrevSplitRE.Split(abbrev)
                            .Where(aw => !String.IsNullOrEmpty(aw))
                            .Zip(Enumerable.Range(0, phraseWords.Length),
                                 (aw, pwp) => Enumerable.Range(pwp, phraseWords.Length-pwp).Select(n => aw.JaroWinklerDistance(phraseWords[n])).Max()
                            )
                            .Sum() / phraseWords.Length;
    }    
}

注意：正则表达式在每个空格或大写字母处定义缩写成分。

然后，我们可以将abbrevs中的每个缩写与原始phrase进行比较：

var ans = abbrevs.Select(Abbrev => new { Abbrev, Similarity = Abbrev.AbbrevSimilarity(phrase) });

以您的示例为例，我得到以下答案：

      Abbrev        |     Similarity
Qta VC Sta Parnaiba | 0.65001322751322754
Q V C Sta Pba       | 0.60371693121693126
4 VC Sta Parnaiba   | 0.53890211640211649

我可能会为较短的缩写添加一个权重，具体取决于我的最终目的。

C＃比较字符串和缩写

1 个答案: