Java中的模糊字符串搜索，包括单词交换

Question

我是一名Java初学者，试图编写一个程序，将输入与预定义字符串列表相匹配。我看过Levenshtein距离，但我遇到了这样的问题：

如果我有“牛肉片”等输入，我希望它与“牛肉片”相匹配。问题在于，根据Levenshtein的距离，“牛肉圆角”更接近“金枪鱼鱼片”，这当然是错误的。

我应该使用像Lucene这样的东西吗？是否在Java类中使用Lucene方法？

谢谢！

Answer 1

您需要将搜索字词的relevance计算为输入字符串。 Lucene确实内置了相关性计算，而this article可能是理解它们的一个良好开端（我只是扫描它，但它似乎具有相当的权威性）。

基本流程如下：

• 初始化：对您的搜索字词进行标记，并将其存储在一系列HashSet s中，每个字词一个。或者，如果您想为每个单词赋予不同的权重，请使用HashMap，其中单词是关键。
• 处理：对每个输入字符串进行标记，并探测每组搜索项，以确定它们与输入的紧密程度。有关算法的说明，请参见上文。

处理拼写错误很容易：在初始化过程中，您会创建包含搜索字词潜在拼写错误的集合。 Peter Norvig的帖子＆＃34; How to Write a Spelling Corrector＆＃34;描述了这个过程（它使用Python代码，但Java实现肯定是可能的）。

Answer 2

Lucene确实支持基于Levenshtein距离的模糊搜索。

https://lucene.apache.org/java/2_4_0/queryparsersyntax.html#Fuzzy%20Searches

但是lucene意味着搜索一组文档而不是字符串搜索，所以lucene可能对你来说太过分了。还有其他Java实现可用。看看http://www.merriampark.com/ldjava.htm

Answer 3

应该可以将Levenshtein距离应用于单词，而不是字符。然后，为了匹配单词，你可以再次在字符级别上应用Levenshtein，这样“牛肉里的文件”中的“filet”应该匹配“牛肉圆角”中的“圆角”。