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levelshtein,但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
。我想要提取的匹配是elephant mouse
,例如
<?
$target = "elephant";
$data = array(
'elephant mouse',
'rhinoceros',
'alligator',
'hippopotamus',
'rat',
);
foreach ( $data as $datum ) {
echo "$target >> $datum == " . levenshtein($target, $datum) . "'n";
}
得到结果
elephant >> elephant mouse == 6
elephant >> rhinoceros == 10
elephant >> alligator == 7
elephant >> hippopotamus == 10
elephant >> rat == 7
因此,当rhino
和hippo
在10时,在我的实际数据集中,我无法真正区分elephant mouse
, rat
和alligator
,它们在6和7时不分上下。这是伪造的数据,但在我的数据集中,长度更接近的单词只比target + extra
的单词得分低得多。
如何配置levenshtein()
的选项?我可以为插入、替换和删除的代价设置新的整数值。多大的权重能让我得到我想要的?
(如果你能想到更好的标题,请编辑我的帖子)。
levenshtein($target, $datum, 1, 10, 10)
给我的权重
elephant >> elephant mouse == 6
elephant >> rhinoceros == 65
elephant >> alligator == 52
elephant >> hippopotamus == 64
elephant >> rat == 60
工作得很好:)插入的成本很低,而替换和删除的成本都很高。这意味着target + extra
的得分很低,其中长度相等或更短,但字符不同的字符串的代价很高。
您可能应该尝试用levenshtein()
匹配单个单词,而不是整个短语,因为如果短语包含与正在搜索的单词相似的内容,显然您希望将其视为一个良好的匹配。换句话说,将$datum
中的每个字符串拆分为单个单词,为每个单词运行levenshtein($target, $word)
,并选择最小的数字。(如果$target
也可以包含多个单词,您也需要拆分该单词。)
我强烈怀疑你可以通过调整插入/删除/替换成本来达到预期的效果,因为Levenshtein不考虑单个单词,只考虑整个字符串。你可以尝试使插入非常便宜,但这也会给e.g.一个很好的分数。"qwErtyLasdEdgfhdPasdxcHdfjAlkjNlkhTkjh"因为它包含了所有正确的字母