使用levenshtein匹配目标字符串+额外文本

Question

我正在做一个网站转换项目，我需要匹配不精确的字符串。我正在考虑使用leveshtein，但是我不知道我应该为我的任务设置什么参数。

假设我有一个目标字符串elephant。例如，我想拉取的匹配项是elephant mouse

<?

$target = "elephant";

$data = array(
  'elephant mouse',
  'rhinoceros',
  'alligator',
  'hippopotamus',
  'rat',
);

foreach ( $data as $datum ) {
  echo "$target >> $datum == " .  levenshtein($target, $datum) . "\n";
}

我得到的结果是

elephant >> elephant mouse == 6
elephant >> rhinoceros == 10
elephant >> alligator == 7
elephant >> hippopotamus == 10
elephant >> rat == 7

因此，虽然rhino和hippo的得分是10，但在我的实际数据集中，我无法真正区分elephant mouse，rat和alligator之间的区别，这三个词在6和7的得分不相上下。这是伪造的数据，但在我的数据集中，长度更接近的单词得到的分数只会比target + extra的分数低得多。

如何配置levenshtein()的选项？我可以为插入、替换和删除的成本设置新的整数值。什么权重能给我想要的东西？

(如果你能想到更好的标题，请编辑我的帖子)。

Answer 1

levenshtein($target, $datum, 1, 10, 10)给出的权重

elephant >> elephant mouse == 6
elephant >> rhinoceros == 65
elephant >> alligator == 52
elephant >> hippopotamus == 64
elephant >> rat == 60

其工作非常好:)插入是低成本的，而替换和删除都很高。这意味着target + extra的得分很低，长度相等或更短但字符不同的字符串的成本很高。

Answer 2

您可能应该尝试使用levenshtein()匹配单个单词，而不是整个短语，因为如果某个短语包含与要搜索的单词相似的内容，您显然希望将其视为良好的匹配。换句话说，将$datum中的每个字符串拆分为单独的单词，对每个单词运行levenshtein($target, $word)，然后选择最小的数字。(如果$target也可以由多个单词组成，则也需要拆分该单词。)

我非常怀疑通过调整插入/删除/替换成本是否能达到预期的效果，因为Levenshtein不考虑单个单词，只考虑整个字符串。你可以试着让插入非常便宜，但这也会给"qwErtyLasdEdgfhdPasdxcHdfjAlkjNlkhTkjh“一个很好的分数，因为它包含所有正确的字母。