给定两个字符串text1和text2：
public SOMEUSABLERETURNTYPE Compare(string text1, string text2)
{
// DO SOMETHING HERE TO COMPARE
}
例子：
第一个字符串：堆栈溢出
第二个字符串：StaqOverflow
返回：相似度为 91%
回报可以是 % 或类似的东西。
第一个字符串：简单的文本测试
第二个字符串：复杂的文本测试
返回：可以认为值相等
有任何想法吗？做这个的最好方式是什么？
有多种不同的方法可以做到这一点。查看Wikipedia“字符串相似性度量”页面以获取到其他具有算法的页面的链接。
然而，我认为这些算法中的任何一个都没有考虑到声音 - 所以“staq 溢出”与“堆栈溢出”一样类似于“staw 溢出”，尽管第一个在发音方面更相似。
Levenshtein 距离可能是您正在寻找的。
这是我为我正在从事的项目编写的一些代码。我需要知道字符串的相似度和基于字符串单词的相似度。最后一个，我想知道最小字符串的单词相似率（所以如果所有单词都存在并且在较大的字符串中匹配，结果将是 100%）和较大字符串的单词相似率（我称之为 RealWordsRatio ）。我使用 Levenshtein 算法来找到距离。到目前为止，该代码尚未优化，但可以按预期工作。希望对你有帮助。
public static int Compute(string s, string t)
{
int n = s.Length;
int m = t.Length;
int[,] d = new int[n + 1, m + 1];
// Step 1
if (n == 0)
{
return m;
}
if (m == 0)
{
return n;
}
// Step 2
for (int i = 0; i <= n; d[i, 0] = i++)
{
}
for (int j = 0; j <= m; d[0, j] = j++)
{
}
// Step 3
for (int i = 1; i <= n; i++)
{
//Step 4
for (int j = 1; j <= m; j++)
{
// Step 5
int cost = (t[j - 1] == s[i - 1]) ? 0 : 1;
// Step 6
d[i, j] = Math.Min(
Math.Min(d[i - 1, j] + 1, d[i, j - 1] + 1),
d[i - 1, j - 1] + cost);
}
}
// Step 7
return d[n, m];
}
double GetSimilarityRatio(String FullString1, String FullString2, out double WordsRatio, out double RealWordsRatio)
{
double theResult = 0;
String[] Splitted1 = FullString1.Split(new char[]{' '}, StringSplitOptions.RemoveEmptyEntries);
String[] Splitted2 = FullString2.Split(new char[]{' '}, StringSplitOptions.RemoveEmptyEntries);
if (Splitted1.Length < Splitted2.Length)
{
String[] Temp = Splitted2;
Splitted2 = Splitted1;
Splitted1 = Temp;
}
int[,] theScores = new int[Splitted1.Length, Splitted2.Length];//Keep the best scores for each word.0 is the best, 1000 is the starting.
int[] BestWord = new int[Splitted1.Length];//Index to the best word of Splitted2 for the Splitted1.
for (int loop = 0; loop < Splitted1.Length; loop++)
{
for (int loop1 = 0; loop1 < Splitted2.Length; loop1++) theScores[loop, loop1] = 1000;
BestWord[loop] = -1;
}
int WordsMatched = 0;
for (int loop = 0; loop < Splitted1.Length; loop++)
{
String String1 = Splitted1[loop];
for (int loop1 = 0; loop1 < Splitted2.Length; loop1++)
{
String String2 = Splitted2[loop1];
int LevenshteinDistance = Compute(String1, String2);
theScores[loop, loop1] = LevenshteinDistance;
if (BestWord[loop] == -1 || theScores[loop, BestWord[loop]] > LevenshteinDistance) BestWord[loop] = loop1;
}
}
for (int loop = 0; loop < Splitted1.Length; loop++)
{
if (theScores[loop, BestWord[loop]] == 1000) continue;
for (int loop1 = loop + 1; loop1 < Splitted1.Length; loop1++)
{
if (theScores[loop1, BestWord[loop1]] == 1000) continue;//the worst score available, so there are no more words left
if (BestWord[loop] == BestWord[loop1])//2 words have the same best word
{
//The first in order has the advantage of keeping the word in equality
if (theScores[loop, BestWord[loop]] <= theScores[loop1, BestWord[loop1]])
{
theScores[loop1, BestWord[loop1]] = 1000;
int CurrentBest = -1;
int CurrentScore = 1000;
for (int loop2 = 0; loop2 < Splitted2.Length; loop2++)
{
//Find next bestword
if (CurrentBest == -1 || CurrentScore > theScores[loop1, loop2])
{
CurrentBest = loop2;
CurrentScore = theScores[loop1, loop2];
}
}
BestWord[loop1] = CurrentBest;
}
else//the latter has a better score
{
theScores[loop, BestWord[loop]] = 1000;
int CurrentBest = -1;
int CurrentScore = 1000;
for (int loop2 = 0; loop2 < Splitted2.Length; loop2++)
{
//Find next bestword
if (CurrentBest == -1 || CurrentScore > theScores[loop, loop2])
{
CurrentBest = loop2;
CurrentScore = theScores[loop, loop2];
}
}
BestWord[loop] = CurrentBest;
}
loop = -1;
break;//recalculate all
}
}
}
for (int loop = 0; loop < Splitted1.Length; loop++)
{
if (theScores[loop, BestWord[loop]] == 1000) theResult += Splitted1[loop].Length;//All words without a score for best word are max failures
else
{
theResult += theScores[loop, BestWord[loop]];
if (theScores[loop, BestWord[loop]] == 0) WordsMatched++;
}
}
int theLength = (FullString1.Replace(" ", "").Length > FullString2.Replace(" ", "").Length) ? FullString1.Replace(" ", "").Length : FullString2.Replace(" ", "").Length;
if(theResult > theLength) theResult = theLength;
theResult = (1 - (theResult / theLength)) * 100;
WordsRatio = ((double)WordsMatched / (double)Splitted2.Length) * 100;
RealWordsRatio = ((double)WordsMatched / (double)Splitted1.Length) * 100;
return theResult;
}
不久前，我用 C# 编写了一个Double Metaphone 实现。您会发现它大大优于 Soundex 等。
Levenshtein distance 也被提出，它是一个很好的算法，有很多用途，但语音匹配并不是它真正的作用；有时似乎只是这样，因为语音上相似的单词通常也拼写相似。我对各种模糊匹配算法进行了分析，您可能也会发现它们很有用。
要处理“声音相似”，您可能需要考虑使用语音算法（如 Double Metaphone 或 soundex）进行编码。我不知道在语音编码字符串上计算 Levenshtein 距离是否有益，但可能是一种可能性。或者，您可以使用启发式方法：将字符串中的每个单词转换为其编码形式，并删除两个字符串中出现的任何单词，并在计算 Levenshtein 距离之前用单个表示替换它们。
您可能会寻找字符串“距离”，例如Levenshtein distance。
Perl 模块Text::Phonetic具有各种算法的实现。
如果要比较 SQL 数据库中的值，可以使用SOUNDEX函数。如果你在 Google 上查询 SOUNDEX 和 C#，有些人已经为它和 VB 编写了类似的函数。
Jeff Atwood 写了关于寻找类似的解决方案来确定 wiki 帖子的作者身份，这可以帮助您缩小搜索范围。
我也必须推荐 Soundex，我过去曾用它来处理拼写错误的城市名称。这是一个很好的使用链接：http ://whitepapers.zdnet.com/abstract.aspx?docid=352953
Metaphone 3 是 Metaphone 算法的第三代。它将语音编码的准确性从 Double Metaphone 的 89% 提高到98%，这是针对北美最常见的英语单词、名称和非英语单词的数据库进行测试的。这为美式发音产生了极其可靠的语音编码。
Metaphone 3 由设计和开发原始 Metaphone 和 Double Metaphone 算法的 Lawrence Philips 设计和开发。
如果您想在语音上进行比较，请查看 Soundex 和 Metaphone 算法： http: //www.blackbeltcoder.com/Articles/algorithms/phonetic-string-comparison-with-soundex