algorithm - 标识符拆分以大致匹配文档

Question

不同的软件项目有不同的编码约定；即使在同一个项目中，也可能使用不同的语言并且会有不同的约定。使用源代码中的标识符标记搜索文档（出现在源文件之外）有什么好处？

例如，如果源具有self._def_passwd或this.defPasswd，则文档树上的查询应努力匹配默认密码。

到目前为止，我一直在尝试按 Levenshtein 距离进行排序，这对于较小的编辑距离非常有效，但是当我增加阈值时会出现太多误报，这对文档中的空白是有问题的。

8 0.666667 announcement getContent AnnouncementBean.java(Token.Name.Function )
8 0.666667 announcement getPercent DataObservation.java (Token.Name.Function)
8 0.666667 announcement GroupBean GroupBean.java (Token.Name.Class)

其中第一个值是 Levenshtein 距离，第二个值是距离除以匹配单词的长度。我想

1. 研究 Jaccard，Tanimoto 算法
2. 智能/建议有点代码
3. 在某处，有一些关于生物家伙用于匹配序列的算法的帖子
4. 根据http://en.wikipedia.org/wiki/Naming_convention_%28programming%29提出正则表达式链式规则

最后一个实际上是最后一个选项。您认为哪些其他算法可以为这类东西提供更好的结果？

Answer 1

尝试使用加权编辑距离，在这里您可以通过键盘中的距离对常用缩写、可能的字符错误的知识进行编码。例如，您可以将 [ao] 等元音的权重设为零，密码将等于 pswrd。其他选项是建立字级编辑距离并在此处使用同义词。我还构建了 EditDistance，它可以同时处理单词和字符。