Algorithm 用（稍微不同的）名称标识相同产品的算法

我正在从二手相机交易平台挖掘数据

人们给同一种产品起不同的名字。我获得的数据如下：

...
Canon 50mm f1.4
Canon 50mm 1.4
Canon 50mm 1.4 USM
Canon 70-200mm f4L
Canon 70-200mm f4 L
...
many more 

我的目标是训练一个系统将

项目1-3

识别为一种产品，而将

项目4-5

识别为另一种产品。在我的数据集中，我不知道有多少不同的产品

我读过这个

这表明

贝叶斯分类

是有用的。 然而，由于我不知道有多少产品，我无法提供培训集

另一个答案是，应该使用

聚类

对名称相似的产品进行分组。同样，

K-means

只能在

K

（本例中不同产品的数量）已知时使用

---

那么在我的例子中，可以使用什么算法呢？你能以我的数据为例解释一下吗？谢谢

编辑距离函数（如Damerau Levenshtein）是一种可能性。二元图是另一种可能性。但你问的问题相当广泛。几乎有关于这个主题的书（记录链接）。@hatchet我不同意。使用编辑距离，“加农炮1.5”将被归类为比“加农炮1.4 USM”更接近“加农炮1.4”。它可能是分类的特征之一，也可能是初始过滤器（但不是它本身）。@amit-你说得对。但我认为，任何对特定领域知识视而不见的模糊匹配技术都会有反例。我同意仅仅使用一个现成的算法是不够的。但这些算法有可能用于更全面的解决方案。这就是为什么我在评论中而不是回答他们。