为字符串数组的每个元素（从另一个字符串数组）搜索和分配BEST字符串的算法

Question

这是为了自动化测试过程。我有两个字符串数组（从两个不同的源中提取以进行测试）。其中一个数组中的每个字符串都必须分配给另一个数组中的字符串。字符串可能并不总是完全匹配，但可能存在可以使用的类似字符串（最佳匹配）。如果方差程度（基于百分比???）太多，则可以适当标记该项目。

我需要的是一种搜索BEST字符串的算法，如果没有，则拒绝相同的字符串。

Answer 1

no gold standard （“BEST”）字符串比较算法。基于各种假设，存在许多字符串similarity algorithms。相似性度量采用两个字符串并返回一个数字，表示字符串的相似程度。

使用相似性度量，您可以比较给定字符串与数组中所有字符串的相等程度。相似性是一个数字，您可以轻松地选择具有最佳匹配的字符串，甚至当给定字符串和数组中的字符串不相同时。

还可以引入一个截止阈值，例如，如果没有字符串与 类似，到您的算法可以检测到的给定字符串。

一种流行的相似性度量是Levenshtein distance，其中计算从一个字符串到另一个字符串的字符更改，添加和删除的数量。

可以在c＃中轻松计算levenshtein距离，例如参见代码示例link。

Answer 2

http://php.net/manual/en/function.levenshtein.php

我认为第一个例子应该让你正确地走上正轨。它适用于PHP，但算法应该是您正在寻找的算法。

Answer 3

您可以将字符串拆分为字符bigrams，为每个字符串生成一个bigram计数向量。然后可以将矢量与例如cosine similarity或类似的量度进行比较。密切相关的是仅使用存在的一组双字母集，将集合与Jaccard index进行比较。

这种方法基于存在的双字母的统计数据，忽略了双字母的排序。根据琴弦的性质，这可能是一个优点或缺点。