python中基于优先级序列的序列匹配器

Question

我正在尝试从股票名称列表中找到最匹配的单词，我希望将更多的优先放在前面的单词上，而不是后面的单词上，尽管后面的单词可能有更多字符。

例如：

"SG控股“vs "S2控股”

序列匹配器将显示这两个词与"SG HOLDING“和"SG Corp”相比具有更高的相似度，但后者实际上是我正在寻找的公司。如何让股票名称前面的单词更有分量？有没有其他库可以让我使用？

谢谢

Answer 1

如果所有名称都具有PREFIX SUFFIX格式，则可以拆分名称，并首先将序列匹配器应用于前缀，然后应用于后缀，然后将距离(假设为Levenshtein distance)打包回元组，您将得到：

1. ('SG', 'HOLDINGS') vs ('S2', 'HOLDINGS') → (1, 0)
2. ('SG', 'HOLDINGS') vs ('SG', 'Corp')     → (0, 8)
3. ('SG', 'HOLDINGS') vs ('SG', 'HOLD')     → (0, 4)
4. ('SG', 'HOLDINGS') vs ('S2', 'HOLDING')  → (1, 1)

当您按升序对这些距离元组进行排序时，排序将是[3, 2, 1, 4]。

如果股票名称包含不同数量的单词，您可以计算最长名称中的单词(例如，假设最长名称为"Samsung Electronics Ord Shares"；它包含4个单词)，然后在计算距离之前，使用空字符串扩展所有其他名称部件元组以匹配此长度。也就是说，您将使用：('SG', 'HOLDINGS', '', '')。

新的距离：

1. ('SG', 'HOLDINGS', '', '') vs ('S2', 'HOLDINGS', '', '') → (1, 0, 0, 0)
2. ('SG', 'HOLDINGS', '', '') vs ('SG', 'Corp', '', '')     → (0, 8, 0, 0)
3. ('SG', 'HOLDINGS', '', '') vs ('Samsung', 'E', 'O', 'S') → (6, 8, 1, 1)

现在排序为[2, 1, 3]。