Question

我正在开发一个网站转换项目，我需要匹配不精确的字符串。我正在考虑使用leveshtein，但我不知道我应该为我的任务设置什么参数。

假设我有一个目标字符串elephant。我想要的匹配是elephant mouse，例如

<?

$target = "elephant";

$data = array(
  'elephant mouse',
  'rhinoceros',
  'alligator',
  'hippopotamus',
  'rat',
);

foreach ( $data as $datum ) {
  echo "$target >> $datum == " .  levenshtein($target, $datum) . "\n";
}

我得到了结果

elephant >> elephant mouse == 6
elephant >> rhinoceros == 10
elephant >> alligator == 7
elephant >> hippopotamus == 10
elephant >> rat == 7

因此，虽然rhino和hippo位于10，但在我的实际数据集中，我无法区分elephant mouse，rat和{{1}之间的区别这是伪造的数据，但是在我的数据集中，长度更接近的单词得分远低于alligator的单词。

我应该如何配置target + extra的选项？我可以为插入，替换和删除的成本设置新的整数值。什么加权会给我我想要的东西？

（如果你能想到一个更好的标题，请编辑我的帖子）。

Answer 1

加权levenshtein($target, $datum, 1, 10, 10)给了我

elephant >> elephant mouse == 6
elephant >> rhinoceros == 65
elephant >> alligator == 52
elephant >> hippopotamus == 64
elephant >> rat == 60

哪种方法效果很好:)插入成本低，而替换和删除都很高。这意味着target + extra得分较低，其中长度相等或较短但字符不同的字符串成本较高。

Answer 2

你应该尝试将单个单词与levenshtein()匹配，而不是整个短语，因为如果一个短语包含的内容类似于被搜索的单词，那么你显然想要将短语视为一个好的匹配。换句话说，将$datum中的每个字符串拆分为单个字词，为每个字词运行levenshtein($target, $word)，然后选择最小的数字。（如果$target也可以包含多个单词，那么您也需要拆分它。）

我强烈怀疑你可以通过调整插入/删除/替换成本来达到预期的效果，因为Levenshtein不考虑单个单词，只考虑整个字符串。您可以尝试使插入非常便宜，但这也可以提供良好的分数，例如“qwErtyLasdEdgfhdPasdxcHdfjAlkjNlkhTkjh”，因为它包含所有正确的字母。

使用levenshtein匹配目标字符串+额外文本

2 个答案: