java - Java中的模糊字符串搜索，包括单词交换

Question

我是一名 Java 初学者，正在尝试编写一个将输入与预定义字符串列表匹配的程序。我看过 Levenshtein 距离，但我遇到了这样的问题：

如果我有诸如“牛肉片”之类的输入，我希望它与“牛肉片”相匹配。问题在于，根据 Levenshtein 距离，“牛肉片”更接近于“金枪鱼片”之类的东西，这当然是错误的。

我应该为此使用像 Lucene 这样的东西吗？是否有人在 Java 类中使用 Lucene 方法？

谢谢！

Answer 1

您需要计算搜索词与输入字符串的相关性。Lucene 确实内置了相关性计算，这篇文章可能是理解它们的一个很好的开始（我只是扫描了它，但它似乎相当权威）。

基本流程是这样的：

• 初始化：标记您的搜索词，并将它们存储在一系列HashSets 中，每个词一个。或者，如果您想为每个单词赋予不同的权重，请HashMap在单词是关键的地方使用。
• 处理：标记每个输入字符串，并探测每组搜索项以确定它们与输入的应用程度。有关算法的描述，请参见上文。

处理拼写错误有一个简单的技巧：在初始化期间，您创建包含搜索词潜在拼写错误的集合。Peter Norvig 关于“如何编写拼写校正器”的帖子描述了这个过程（它使用 Python 代码，但 Java 实现当然是可能的）。

Answer 2

Lucene 确实支持基于 Levenshtein 距离的模糊搜索。

https://lucene.apache.org/java/2_4_0/queryparsersyntax.html#Fuzzy%20Searches

但是 lucene 旨在搜索文档集而不是字符串搜索，因此 lucene 对您来说可能是一种过度杀伤力。还有其他可用的 Java 实现。看看http://www.merriampark.com/ldjava.htm

Answer 3

应该可以将 Levenshtein 距离应用于单词，而不是字符。然后，为了匹配单词，您可以再次在字符级别应用 Levenshtein，这样“filet of beef”中的“filet”应该与“beef fillet”中的“fillet”匹配。