字符串匹配算法

Question

我有一个带有企业数据库的python应用程序，我希望能够按名称搜索企业（用于自动完成目的）。
例如，考虑名称“最佳购买”，“麦当劳”，“索尼”和“苹果”。

我希望“app”返回“apple”，以及“appel”和“ple”。 “麦当劳”应该回归“麦当劳”。 “bst b”和“best-buy”都应该返回“最佳购买”。

我在寻找哪种算法，是否有python实现？

谢谢！

Answer 1

Levenshtein distance应该这样做。

环顾四周 - 有多种语言的实现。

Answer 2

Levenshtein距离会做到这一点。

注意：这是一个距离，您必须将其计算到数据库中的每个字符串，如果您有大量条目，这可能是一个大问题。

如果您遇到此问题，则记录用户所做的所有拼写错误（拼写错误=无直接匹配），并离线构建包含所有拼写错误＆gt;修复映射的更正数据库。有些公司更聪明地做到这一点，例如：google观察用户如何纠正自己的拼写错误并从中学习映射。

Answer 3

Soundex或Metaphone可能有用。

Answer 4

我认为您正在寻找的是一个巨大的数据质量和数据清理领域。我担心如果你能找到关于这个的python实现，因为它必须能够清除db中可能具有商业价值的大量数据。

Answer 5

Levensthein距离朝着正确的方向前进，但只有一半。有几种技巧可以让它使用半场比赛。

一种是使用子序列动态时间扭曲（DTW实际上是levensthein距离的推广）。为此，您可以在计算成本矩阵时放松开始和结束案例。如果您只放松其中一个条件，您可以通过拼写检查获得自动完成功能。我不确定是否有可用的python实现，但是如果你想自己实现它，它不应该超过10-20 LOC。

另一个想法是使用Trie加速，可以同时对多个结果执行DTW / Levensthein（如果数据库很大，则可以大幅加速）。关于Levensthein的一篇关于IEEE的试验的文章，你可以在那里找到算法。再次为此你需要放松最后的边界条件，所以你得到部分匹配。然而，既然你在trie中下台了，你只需要检查你完全消耗了输入然后返回所有叶子。

Answer 6

检查一下http://docs.python.org/library/difflib.html 它应该会帮助你