问题标签 [fuzzy-comparison]

我正在尝试使用Jellyfish来处理模糊字符串。我注意到Damerau-Levenshtein 距离算法的一些奇怪行为。例如：

在我看来，两者都应该得分 2。

在第一个例子中：

1. ZX→ XZ（转置相邻字符）
2. XZ→ XYZ（插入Y）

在第二个例子中：

1. BACD→ ABDC（转置相邻BA字符）
2. ABDC→ ABCD（转置相邻DC字符）

这是算法有问题，还是我误解了度量？任何指导将不胜感激。

编辑

只是为了让事情变得更奇怪，我还观察到以下几点：

这特别奇怪，因为两个示例中的编辑数量不仅应该是两个，而且它们是完全相同的编辑：

在第三个例子中：

1. jellyifhs→ jellyfihs（转置相邻字符if）
2. jellyfihs→ jellyfish（转置相邻字符hs）

在第四个例子中：

1. ifhs→ fihs（转置相邻字符if）
2. fihs→ fish（转置相邻字符hs）

我正在尝试使用 Jellyfish 来处理模糊字符串。我注意到 jaro_distance 算法的一些奇怪行为。

我之前在使用 damerau_levenshtein_distance 算法时遇到了一些问题，这似乎是代码中的一个错误，然后堆栈用户在 github 上将其作为问题提出。

我不确定我是否在考虑测量错误，或者它是否是一个真正的错误。我查看了源代码（http://goo.gl/YVMl8k），但我不熟悉 C，所以我很难知道这是一个实现问题，还是我错了。

请注意以下事项：

现在，如果我对 jarrow 距离测量的理解是正确的，我相信结果应该是0.9285714285

我已经确定了计算出错的原因。要计算度量，我认为以下是正确的：

(7.0/7.0 + 7.0/7.0 + ((7.0 - (3.0/2.0))/7.0) * (1.0/3.0) = 0.9285714285

该表达式中的关键数字是 3.0。这个数字必须代表“匹配的数量（但顺序不同）”（维基百科）。在我看来，在 S1 和 S2 中，匹配但序列顺序不同的字符是“e”、“r”、“v”。

然而，JellyFish 在计算时似乎只识别出两个转置：

(7.0/7.0 + 7.0/7.0 + ((7.0 - (2.0/2.0))/7.0) * (1.0/3.0) = 0.95238095

我错了，还是功能有问题？

我不知道如何做一个程序，给出两个相同长度的字符串的相似度百分比。

例如，forabcd和abce它应该给出 75%。

abcd订单很重要，我不希望它给了我dcab100％。

我知道 Levenshtein 模块可以做到这一点，但我想要一个可以做到这一点的程序。

我有一个长文本的音频文件，其中不同的部分都以口语“章节”开头（由同一位演讲者讲述）。有没有办法在这些词处将音频文件拆分为较小的文件？

我正在考虑删除“章节”的一个单词出现，将其放在单独的音频文件中，然后使用一些工具将原始音频与短片段进行模糊匹配，以找到“章节”出现并拆分原始在这些事件中归档。

哪个工具可以做到这一点？索克斯？大胆？

我目前正在使用方法 get_close_matches 来自difflib的方法来遍历 15,000 个字符串的列表，以获得与另一个大约 15,000 个字符串列表的最接近匹配：

每个值需要 0.58 秒，这意味着完成循环需要 8,714 秒或 145 分钟。是否有另一种可能更快的库/方法或提高此方法速度的方法？我已经尝试将两个数组都转换为小写，但这只会导致速度略有提高。

我有一个字符串列表作为查询和数百个其他字符串列表。我想将查询与其他所有列表进行比较并提取它们之间的相似度分数。

例子：

我现在正在做的，我对结果不满意的是对它们的绝对比较。

我找到了一个可以帮助我的库，但我在想你是否有其他建议。

我在 Visual Studio 2012 中使用 SQL Server 集成服务，并尝试使用模糊分组组件查找不同客户引用的类似地址。这是一些示例数据（SQL Fiddle）：

我以前做过这个，在没有进一步限制的情况下比较所有行没有问题。然而，今天，我只想比较列内具有不同值的CustomerId行。因此，关于我的样本数据，我对第 1 行和第 2 行之间的任何相似性不感兴趣，也不对第 3 和第 4 行之间的任何相似性感兴趣。我想知道的是：

1. 第 3 行与第 1 行或第 5 行重复（或“近亲”）的可能性有多大？
2. 第 4 行与第 1 行或第 5 行重复（或“近亲”）的可能性有多大？
3. 第 5 行与第 1 行或第 3 行重复（或“近亲”）的可能性有多大？

有没有办法在模糊分组组件中集成“不同的 CustomerId 值”要求？

提前致谢。

我正在尝试使用分数比较两个文本之间的相似性。这是我的代码：

问题是我的输出文件只给了我最后一次比较的分数，尽管我的 risk_list1 和 risk_list2 中有 3 个不同的文本文件。我无法让这个循环正常运行。

我需要一些帮助。我将如何创建一个简单的 SQL 语句来使用这些函数选择 Names @userEnteredName。换句话说，我想从用户输入 smyth 的客户表中获取客户名称，然后返回 smith、smitty 等。

...或一句话我如何使用下面创建的函数来查询数据库表。

预先感谢您的帮助。

<code>declare @userEnteredLastName varchar(200); declare @userEnteredFirstName varchar(200); set @userEnteredLastName='smyth'; set @userEnteredFirstName='Jon';

SELECT * FROM Customer WHERE JaroWinkler(CustomerLastName, @userEnteredLastName) > .75 AND JaroWinkler(CustomerFirstName, @userEnteredFirstName) > .75</code>

我使用位于 SimMetrics 的 SimMetrics 库

我需要使用模糊逻辑对对象进行分类。每个对象都有 4 个特征 - {大小、形状、颜色、纹理}。每个特征都被语言术语和一些隶属函数模糊化。问题是我无法理解如何去模糊化，以便我可以知道未知对象属于哪个类。使用 Mamdani Max-Min 推理，有人可以帮助解决这个问题吗？

对象 = {Dustbin, Can, Bottle, Cup} 或分别表示为 {1,2,3,4}。每个特征的模糊集是：

特征 : 尺寸

形状：

特征 : 颜色

特征 : 质地

If then else 分类规则是

R1：如果对象尺寸大且呈圆柱形且颜色偏绿且质地粗糙，则对象为垃圾箱

或以表格形式只是为了节省空间

然后，有一个未知特征的清晰值 X = {12cm, 52,120,11}。我该如何分类？还是我的理解不正确，我需要重新制定整个事情？