Java 基于相似性的字符串排序

考虑以下字符串：

• 他说
• 再见
• 你好
• =（再见）
• （他）（罗）
• 再见
• 氦

我知道，我正试着用一种类似的方式来分类这些词

字母数字排序

不是选项

删除特殊字符

”、-u和etc

，然后进行比较肯定会有帮助，但结果不会像我希望的那样好

注意：

可能会有几个不同的期望输出，其中之一是：

所需输出：

你好

他说

（他）（罗）

氦

再见

再见

=（再见）

所以我的问题是，如果有一个java包比较字符串并最终根据它对它们进行排序

我听说过诸如

n-gram

和

skip gram

之类的术语，但我不太理解它们。我甚至不确定它们是否对我有用

更新：

---

寻找相似性当然是我问题的一部分，但主要问题是排序部分。

这里有一种可能的方法

计算每对字符串之间的距离，然后使用将字符串视为一个完整的图形，其中边权重来自编辑距离。为这些权重选择一个阈值，并删除所有高的权重。然后在此图形中查找。如果阈值相当低，甚至查找连接的组件都可能是一个操作激动

注: 也许用@dognose发布的链接中的一个相似性度量来代替一些编辑距离会更好。

---

另外，请注意，如果您有大量字符串，则查找派系的速度会非常慢

您正在搜索的区域可能是NLP，即自然语言处理，正如您提到的

hello

（

Hemia

）和

再见

结合使用。soundex算法已经建立，但对空格没有帮助。@dognose thx对于链接，我可以看到它对比较非常有用。但是这种方法限制了排序。如何使用它进行排序？@nafas您可以使用自定义比较器进行排序。您只需要根据“确定”表达式，并根据该值进行排序。例如，如果您引用“foo bar”、“foo baz”和“baz bar”，则得分较高，而“hello world”应得分较低。也许识别“相似外观”也有意义“元素，按组排列，然后按字母顺序对组进行排序。@dognose大多数情况下都不起作用。例如，假设“foo bar”与“blah”的比较为0.1，与“double”的比较也为0.1，但并不一定意味着“blah”和“double”是相似的。它可能会变得非常非常复杂。我以前用过集团的方法来解决类似的问题，它确实有效。但正如你提到的，它可能非常慢。不幸的是，我有大约1000万以上的数据。所以，派克将失去选择，我们如何找到连接的组件？当我们有A-B和B-C和A-D，但没有A-C和B-D时，问题可能会出现，那么我们如何决定如何对它们进行排序？