Algorithm 如何确定一个字符串与另一个字符串的相似性

我希望我的措词正确，以了解我在寻找什么

我需要比较两段文字。如果两个字符串相似，我希望得到非常相似的分数，如果字符串非常不同，我需要非常不同的分数

如果我对一封电子邮件进行md5哈希，并更改一个字符，哈希值会发生显著变化，我希望某些内容不会更改太多。我需要比较两个内容在没有存储字符串的情况下有多相似

---

更新：我现在考虑将人们提供的各种链接中的一些想法结合起来。理想情况下，我希望使用一个输入函数来创建我的分数，因此我希望使用一个引用字符串来始终比较我的输入。我也在考虑采取asci字符和总结这些。仍在阅读提供的所有链接。

您要查找的是一个算法（另请参阅）。您也可以尝试其他方法。

检查他们的

在PHP中，您甚至可以使用

我需要比较两段文字。如果两个字符串相似，我希望得到非常相似的分数，如果字符串非常不同，我需要非常不同的分数

这取决于你所说的“相同”或“不同”是什么意思。例如，如果有人在您的字符串中用“USA”替换“美利坚合众国”，那么这是一个大致相同的字符串（因为USA只是较长字符的缩写），还是一个非常不同的字符串（因为许多字符发生了变化）

---

您基本上需要设计一个描述如何计算“相同性”的函数，或者使用其预先存在的定义。例如，前面提到的根据您必须对原始字符串进行的更改数量来测量总差异。

由于Levenshtein距离需要两个输入字符串来生成值，因此您必须存储所有字符串

但是，您可以使用少量字符串作为标记，并仅将其存储为字符串

---

然后计算从新字符串到每个标记字符串的Levenshtein距离，并存储这些值。然后，您可以猜测到，与所有标记具有相似Levenshtein距离的两个字符串也彼此相似。以这样一种方式“设计”这些标记可能是明智的，即它们的相互Levenshtein距离尽可能大。我不知道是否有这方面的研究。

许多人建议研究距离/度量方法，我认为问题的措辞就是这样。（顺便说一句，像md5这样的散列正试图做与度量几乎相反的事情，因此这对您不起作用也就不足为奇了。在小增量下，有一些类似的想法变化不大，但我怀疑它们没有为您想要做的事编码足够的信息）

特别是考虑到你在评论中的更新，我认为这种方法不是很有帮助

您所寻找的更多的是一个聚类问题，您希望从每封电子邮件生成一个签名（即特征向量），然后将其与新输入进行比较。所以本质上，你所面临的是一个机器学习问题。决定“接近”意味着什么可能有点挑战。首先，假设您正在查看的实际上是电子邮件，那么您可以很好地查看由许多垃圾邮件过滤器生成的各种特征，这将给您（可能是欧几里德的，至少从一开始）一个空间来测量基于签名（特征向量）的距离

---

如果不了解您的问题，就很难更加具体。

阅读您的评论，听起来您实际上是在比较整个文档，每个文档都包含许多单词

这在信息检索系统中成功地实现了。语言中的每个单词都是一个轴。沿轴的距离由单词在文档中出现的次数决定。类似的文档在空间中彼此“接近”

---

这样，整个文档就不需要存储，只需要计算字数。通常语言中最常用的单词根本不算在内。

你说的“分数”是什么意思？你的意思是一个关于字符串之间的距离的排名？但是你的第三段听起来更像是在寻找一个类似散列的值，它对小的更改非常健壮（“健壮散列”是这类工具的术语，通常用于音频和图像，而不是字符串）。感谢John，出于我的目的，美国和美国将是不同的。