我们从不受控制的外部来源接收到大量类型化的数据。数据涵盖家用电器的品牌/型号。因为我们无法控制强制验证/自动完成，所以这些数据的拼写/格式非常混乱。
我知道像弹性搜索这样的东西可以在查询时忽略拼写错误。但是，我希望能够对数据进行分组并自动规范化，以便对其进行分组。
我考虑过计算任何给定文本之间的 levenshtein 距离并将相似的条目分组在一起。然而，由于许多这些设备的名称中都有型号、容量等，因此会导致大量错误匹配。更不用说是一个相当计算密集的操作。
使用住宅燃气锅炉的示例
- 威能 Ecotec Pro 28
- 威联Ecotec Pro 28
- 威能 Eco Tec 28 Pro
- 威灵特 turbomax 242/2-5
- POTTERTON Promax Combi 28 HE Plus
- 波特顿 promax 28
前3个和最后2个是一样的。显然，错误的范围很大，包括格式和拼写。