similarity - 当这两个文档相似时，查找一个文档是否包含在另一个文档中的算法

Question

我正在寻找一种算法来确定两个文本文档是否相似，其中一个文档包含在另一个文档中。

我提前谢谢你。

Answer 1

您始终可以将diff与diffstat一起使用。diff 文档对它使用的算法并不精确，但原作者写了一篇关于它的论文（Google for diff paper），你可以随时阅读源代码。

要获得更精确的答案，您将需要更精确的问题。您是否只想知道一个文档是否是另一个文档的片段？或者您是否也想知道是否可以将一个文件拆分成多个片段，每个片段都以相同的顺序出现在另一个文档中？或者，如果您尝试使用快速算法匹配两个文档的材料，您是否也想知道有多少材料不会出现？diff 会告诉你所有这些事情。或者你想知道绝对的最佳匹配吗？diff 并不总是给你，你需要像Levenshtein distance这样的东西。如果其中一个文档比另一个短得多，您可以使用快速字符串搜索算法。等等等等。