文本自动纠错的动态算法

Question

我正在写一个自动更正程序，它使用levenshtein distance根据包含8000个单词的特定字典更正不超过64个字符的短语。

词典的每一行都包含一对“Word word_frequency”。我使用DictionarEntry对象来存储这些对。Class Dictionar Entry有两个字段: LinkedList :存储单词字符串freq :存储字典作为字典存储的频率。我从stdin中读取了64个字符串。在处理它之前，我删除了所有的空格。"Coo last“-> "Coolweather”我注意到insead在计算每个前缀的levenshtein距离时，在由levenshtein动态计算的矩阵的最后一行(参见维基百科示例)，它返回所有前缀的距离。

函数lev返回一个向量，其中包含从第二个参数字符串到第一个参数字符串的所有前缀的l.distance，包括其自身。

我的问题是，我必须遵守一些额外的规则: min lev。distance -> min of words ->最大频率和->最小字典序如果解的总数大于1，我们取单词数最少的解。如果仍然有多个规则，我们遵循规则列表。

我正在应用的动态类似于背包动态。我不知道如何实现最小词数规则(最大频率规则非常相似)

这是我到目前为止尝试过的输入/输出示例，其中失败了："sore reserved“答案应该是保留的，我得到的结果实际上是如此有效，我选择了这种方法，因为它更有效。Java的时间限制是2秒。

更新时间:4月7日。我已经找到了我的问题的解决方案，但是cpu时间太大，所以我需要优化它。它应该不高于2000毫秒，目前在6000毫秒左右。因此，现在我的主要关注点是优化它。

 public static String guess (String input, LinkedList<DictionarEntry> Dictionar){
       String curent = new String();
      String output = new String();

      int costMatrix[][][] = new int [input.length()][8000][input.length()];         
     int index[] = new int[128];
     int prev[]= new int[128];
        int d[]=new int  [128];
        int freq[]= new int[128];
        int wcount[]=new int[128];
        String values[] = new String[128];   
        for (int i=0 ; i < 128 ; i++){
                d[i]=127;
                freq[i]=0;
                wcount[i]=1;
                values[i]="";
        }           
     d[0]=0;
     freq[0]=0;

         for (int i = 0 ; i <input.length(); ++i){  

             curent=input.subSequence(i, input.length()).toString();
             long start =System.currentTimeMillis();
              for (int j = 0 ; j < Dictionar.size();++j){

                  costMatrix[i][j]=lev(Dictionar.get(j).value,curent);
                  for(int k=1;k<costMatrix[i][j].length;++k){

                      if(d[i]+costMatrix[i][j][k]<d[i+k]){
                          d[i+k]= d[i]+costMatrix[i][j][k];
                              values[i+k]=values[i]+Dictionar.get(j).value;
                              freq[i+k]=freq[i]+Dictionar.get(j).freq;
                              index[i+k]=j;
                              prev[i+k]=i;
                              wcount[i+k]=wcount[i]+1;
                      }
                       else if ((d[i]+costMatrix[i][j][k])==d[i+k])
                                        if((wcount[i]+1) <wcount[i+k]){
                              values[i+k]=values[i]+Dictionar.get(j).value;
                              freq[i+k]=freq[i]+Dictionar.get(j).freq;
                              index[i+k]=j;
                              prev[i+k]=i;
                              wcount[i+k]=wcount[i]+1;    
                                        }
                                        else if ((wcount[i]+1)==wcount[i+k])
                                         if((freq[i]+Dictionar.get(j).freq)>freq[i+k]){
                                             values[i+k]=values[i]+Dictionar.get(j).value;
                                             freq[i+k]=freq[i]+Dictionar.get(j).freq;
                                             index[i+k]=j;
                                             prev[i+k]=i;
                                             wcount[i+k]=wcount[i]+1;       
                                         }
                                         else if ((freq[i]+Dictionar.get(j).freq)==freq[i+k]){
                                             if((values[i]+Dictionar.get(j).value).compareTo(values[i+k])>0){
                                                 values[i+k]=values[i]+Dictionar.get(j).value;
                                              freq[i+k]=freq[i]+Dictionar.get(j).freq;
                                              index[i+k]=j;
                                              prev[i+k]=i;
                                              wcount[i+k]=wcount[i]+1;  
                                             }
                                         }
                  }     
              }
              long finished =System.currentTimeMillis();
                    System.out.println((finished-start)); 

      output="";

         } 

          int itr=input.length();
                   while(itr!=0){
      output = Dictionar.get(index[itr]).value + " " + output;
      itr=prev[itr]; 
  } 
     return output;
  }

我应该在哪里以及如何实现规则(理想情况下，以一种比使用矩阵更有效的方式)？

如果有任何问题，或者我留下了不清楚的东西，请随时提问

Answer 1

有什么理由不能使用像Apache Lucene这样的现有库吗？它支持使用Levenshtein距离的fuzzy queries。

除此之外，您可能需要考虑使用Suffix Trees来加速部分字符串搜索