Algorithm 如何模糊地搜索字典中的单词？

我在这里读了很多讨论编辑距离模糊搜索的文章，这些工具如Elasticsearch/Lucene提供了开箱即用的功能，但我的问题有点不同。假设我有一个单词词典，{'cat'，'cot'，'catalyst'}，和一个字符相似关系f（x，y）

（程序员可以指定这些“相似性”）

比如说,

f('t', 'l') = 1
f('a', 'o') = 1
f('f', 't') = 1

但是,

现在，如果我们有一个查询“cofatyst”，那么算法应该报告以下匹配：

('cot', 0)
('cat', 0)
('catalyst', 0)

其中，数字是找到的匹配项的从0开始的索引。我已经尝试了，虽然它对于精确匹配非常有效，并且当一个字符的“相似”字符数相对较少时，它的性能会随着我们增加一个字符的相似字符数而呈指数下降。有人能告诉我一个更好的方法吗？模糊是绝对必要的，它必须考虑到角色的相似性（即，不盲目地依赖编辑距离）

需要注意的一点是，在野外，这本词典将会非常大。

我正在为我的一个项目使用。它是一个在JSON数据集上工作的javascript文件。它相当快。看一看。
它已经实现了一个完整的Bitap算法，利用了谷歌（从他的网站）改进的Diff、Match和Patch工具

---

代码很容易理解所完成的算法实现。

我可能会尝试使用余弦相似性，使用每个字符的位置作为特征，并使用基于字符关系的匹配函数在特征之间映射乘积

我知道这不是一个非常具体的建议，但我希望它能帮助你

编辑：扩展答案

使用余弦相似性，您将计算两个向量的相似程度。在您的情况下，标准化可能没有意义。因此，我要做的是一件非常简单的事情（我可能过于简化了这个问题）：首先，将CxC的矩阵视为一个依赖矩阵，两个字符有关联的概率（例如，P（'t'|'l'）=1）。这还允许您使用部分依赖项来区分完全匹配和部分匹配。在这之后，我将计算每个位置，每个单词的字母不相同的概率（使用P（t_I，t_j）的补码），然后您可以使用和来聚合结果

---

它将统计特定词对中不同的词的数量，并允许您定义部分依赖项。此外，实现非常简单，应该具有良好的可扩展性。这就是为什么我不确定我是否误解了你的问题。

我一直在玩弄它，但我不确定如果字典很大，这会有什么帮助-我仍然需要将字典中的单词逐个与查询进行匹配。当您有一些大的文本和从该文本生成grep的模式时，BITAP似乎工作得很好。我用JSON测试了它，JSON由表生成，有7个属性和大约420行。将较大的文本添加到grep肯定会提高性能，但即使使用简单的2个字符，性能也令人满意。。这是我做的测试。希望这些信息有帮助。这听起来很有趣。你能把你的答案修改得更详细一点吗？将每个字符的位置作为特征，是指该字符在查询字符串中的位置吗？

f('a', 'z') = 0
etc.

('cot', 0)
('cat', 0)
('catalyst', 0)