Edit 如何将TF-IDF与编辑距离或Jaro-winkler距离相结合

我正在寻找提高TF-IDF称重方案在字符串匹配（相似性）中准确性的方法。主要问题是TF-IDF对stings中的印刷错误很敏感，大多数大型数据集都有印刷错误。 我意识到编辑距离的变体（基于字符的相似性度量——Levinshtein、affine gas、Jaro和Jaro winkler）适用于计算存在印刷错误的字符串之间的相似性，但不适用于字符串中的单词顺序错误

因此，我想使用编辑距离校正功能来提高TF-IDF的准确性

任何关于如何应对这一挑战的想法都将受到高度赞赏

---

提前谢谢

CMU研究人员在2003年发表了一篇论文，他们解释了如何将TFIDF与Jaro Winkler结合起来：

他们的Java代码也可以在sourceforge上作为secondString项目提供：

以下是指向Javadocs的链接：

第二个字符串项目页面：