Algorithm 将一组短语归类为一组相似的短语

我有一些应用程序可以生成文本跟踪信息（日志）到日志文件。跟踪信息是典型的printf（）样式，即有许多日志条目相似（与printf的格式参数相同），但在格式字符串具有参数的地方不同

什么算法（url、书籍、文章等）可以让我分析日志条目并将它们分类到几个箱子/容器中，每个箱子都有一个相关格式？
本质上，我希望将原始日志项转换为（formatA、arg0…argN）实例，其中formatA在许多日志项之间共享。formatA不必是用于生成条目的精确格式（如果这使算法更简单，则更是如此）

我发现的大多数文献和网络信息都涉及精确匹配、最大子串匹配或k差（提前知道/固定k）。此外，它还侧重于匹配一对（长）字符串或一个bin输出（所有输入中的一个匹配）。我的情况有些不同，因为我必须发现什么代表了（足够好的）匹配（通常是一系列不连续的字符串），然后将每个输入项分类为一个发现的匹配项

最后，我不是在寻找一个完美的算法，而是一个简单/易于维护的算法

谢谢

您可以使用著名的技术帮助对文本进行分组，方法是在计算单词包后，在每行中使用表示文本的稀疏矩阵（通常使用波特词干分析器对文本进行词干分析，以获得更好的结果），其中，您需要计算每个单词在每段文本中出现的次数，然后通过计算每个单元格的行和列计算矩阵的总数，以便注意文本上最有效的角度距离。完成所有这些之后，您可以执行一个聚类算法，对相关的文本片段进行分组，您甚至可以从这里提取文本的主要关键字。有一个程序可以自动完成这一切，我强烈推荐它