Java中如何比较几乎相似的字符串？ （弦距测量）[关闭]

Question

我想比较两个字符串并获得一些分数，看看它们看起来有多相似。 例如 “句子几乎相似” 和 “句子相似”。

我不熟悉 Java 中现有的方法，但对于 PHP，我知道 levenshtein 函数。

Java中有更好的方法吗？

Answer 1

以下 Java 库提供多种比较算法（Levenshtein、Jaro Winkler...）：

1. Apache Commons 文本：https://commons.apache.org/proper/commons-text/
2. Simmetrics：http://sourceforge.net/projects/simmetrics/

两个库都有 Java 文档（Apache Commons Lang Javadoc、Simmetrics Javadoc）。

//Usage of Apache Commons Text
import org.apache.commons.text.similarity.JaroWinklerDistance;
public double compareStrings(String stringA, String stringB) {
    return new JaroWinklerDistance().apply(stringA, stringB);
}

 //Usage of Simmetrics
import uk.ac.shef.wit.simmetrics.similaritymetrics.JaroWinkler    
public double compareStrings(String stringA, String stringB) {
    JaroWinkler algorithm = new JaroWinkler();
    return algorithm.getSimilarity(stringA, stringB);
}

Answer 2

Levensthein 距离是衡量字符串相似程度的指标。或者，更准确地说，需要进行多少次修改才能使它们相同。

算法可以在维基百科上以伪代码形式找到。将其转换为 Java 应该不是什么大问题，但它没有内置到基类库中。

维基百科还有更多衡量字符串相似度的算法。

Answer 3

是的，这是一个很好的指标，你可以使用 apache commons 的 StringUtil.getLevenshteinDistance()

Answer 4

您可以在以下位置找到 Levenshtein 和其他字符串相似性/距离度量的实现

https://github.com/tdebatty/java-string-similarity

如果您的项目使用maven，安装就很简单

<dependency>
  <groupId>info.debatty</groupId>
  <artifactId>java-string-similarity</artifactId>
  <version>RELEASE</version>
</dependency>

然后，以 Levenshtein 为例

import info.debatty.java.stringsimilarity.*;

public class MyApp {

  public static void main (String[] args) {
    Levenshtein l = new Levenshtein();

    System.out.println(l.distance("My string", "My $tring"));
    System.out.println(l.distance("My string", "My $tring"));
    System.out.println(l.distance("My string", "My $tring"));
  }
}

Answer 5

无耻的插件，但我也写了一个库：

https://github.com/vickumar1981/stringdistance

它具有所有这些功能，再加上一些语音相似性功能（如果一个单词“听起来像”另一个单词 - 返回 true 或 false，这与其他模糊相似性（0-1 之间的数字）不同）。

还包括 DNA 测序算法，例如 Smith-Waterman 和 Needleman-Wunsch，它们是 Levenshtein 的通用版本。

我计划在不久的将来，使其适用于任何数组，而不仅仅是字符串（字符数组）。