我在查找字符串相似度时遇到了一个问题.
场景:由以下字段组成的字符串 名字、中间名和姓氏
我要做的是找到A和B之间的字符串相似性(两者都有相同的字段)，但确保考虑到所有的可能性.
case 1: 假设字符串A的名字是:Rahul 中间名是:库马尔 姓氏是:""
字符串B的名字是:库马尔 中间名:"" 姓氏:拉胡尔
通过观察，我们可以说这两个名字可能是相同的.但目前的相似度算法给出的相似度约为71%.
case 2:
比方说，字符串B的名字是:Rahul 中间名:"" 姓氏:K.
在本例中，相似度%age下降，但名称可能相同.
考虑到名字、中间名和姓氏的所有可能组合，并以一种优化的方式，我应该如何处理相似性？
E.g Rahul Rakesh Kumar可以像 拉胡尔·库马尔 拉胡尔 拉胡尔·K. 库马尔·拉胡尔 库马尔·拉杰什·拉胡尔. 拉胡尔·R·库马尔什么的.
我曾try 使用Jaccard、CoSine、Jaro-Wrinklr相似性算法，但结果并不令人满意.
注意:我必须根据名称找到重复数据删除，这就是为什么我必须考虑所有可能的名称.
对于这种字符串相似性，我最近实现了一个非常适合我的用例的算法，它与您的用例非常相似.这是一篇博文:http://www.catalysoft.com/articles/strikeamatch.html
要比较两个字符串，请执行以下操作:
1. Make a list of overlapping letter-pairs. "kumar" gives us pairs: "ku", "um", "ma", "ar".
2. Say the second string is "maria". Pairs: "ma", "ar", "ri", "ia".
3. Count how many pairs are the same: "ma" and "ar".
4. The similarity is computed as: 2 * same_pairs / (pairs_1 + pairs_2) = 2*2/(4+4) = 0.5
该算法的伟大之处在于，它通过使用字母对来考虑字符串的排序，字母对是按顺序排序的.另一方面，它不考虑排序，因为所有对可以以任何顺序混合.这使得它非常适合我的特定用例，其中类似于您的情况，我希望将"abc def"视为与"def abc"完全匹配.
您还可以修改算法.我的部分用例是在较长的文本中搜索短字符串.为此，我将使用相似性度量same_pairs / pairs_1，即搜索项中相同对的数量超过对计数.如果文本中出现一个单词，则无论搜索文本有多长，都会得到1.0的相似度.在这种情况下，上述相似性将对较长的文本造成不利影响.
关于实施的另一项说明.你可以让它变得非常高效和健壮.我首先将我的字母缩写为小写字母、数字和空格.这是26+10+1 = 37个符号.我将A映射到a,ä映射到a等等.可能的字母对的数量现在是37*37 = 1369.我计算对的方法是使用数组pairCounts [37*37]byte，其中对aa映射到0,ab映射到1，等等.所以如果我在字符串中找到对ac,ac映射到索引2，所以我说pairCounts[2]++.每一对都可以以这种方式出现256次(我使用byte次).
将字母归一化使其不区分大小写，使用数组而不是完全的map使其运行得非常快.