Java 拼写纠正算法

这也是通用算法的内容，所以如果您在文本中看到solr，请不要停止阅读（请跳过前3行）

在Solr中，对于拼写检查组件，我设置extendedResults以获得正确单词的频率，然后选择频率最佳的单词。我了解基于编辑距离的拼写检查算法。例如：

查询Solr:Marien

返回的拼写检查文本：Marine（频率：120）、Market（频率：900）和其他。我的字典是根据索引词编的

所以我选择了市场（更多的频率），但这是错误的，因为我的意图是海洋。两者的编辑距离均为2

现在，我如何改进这个算法来选择marine而不是market（基于编辑距离和频率以外的内容）

我是否也必须合并一些“soundex”算法

我正在寻找简单的东西，我可以快速实现

---

我甚至尝试使用彼得·诺维格的拼写纠正算法（这很好），但我还是遇到了同样的问题。

所有这些都是排名问题。您需要做的是创建一个方法，该方法将接收多个信号&使用一些公式来强调每个单词的重要性。在用户输入并获取单词后，ranker将出现在图片中。在这个阶段，你需要对你的结果进行排序，而这正是排名的关键所在

---

现在来解决您的具体问题。假设你的排名函数只需要2个信号（频率和声音）。如果你想要

marine

而不是

market

的话，你需要做的就是给soundex信号赋予更多的权重，而给频率赋予更少的权重（比如70/30）。这些重量可以根据试验和错误进行温度调整，也可以通过机器学习。这样，在其他情况下准确的单词出现频率并没有被完全忽略，它仍然有一定的发言权

在这种特殊情况下，您可以通过使用一个识别换位的度量来改进结果——“marien”与“marine”的不同之处在于两个换位，但只有一个换位，因此如果您这样做，它似乎比“market”更接近

---

经典的Levenshtein编辑距离度量只处理插入、删除和替换。不过，它也处理换位。

我在编辑距离+换位的基础上使用了soundex/变音算法，效果很好。

添加soundex对我来说很好。对于一个给定的单词，如果你找到一个好的“soundex”，那么就向用户建议。如果没有，请继续使用另外两个变量：频率和距离。谢谢您的回答！我知道这是排名问题。我特别问soundex是否会改进我的拼写检查算法，或者我是否可以使用其他技术来改进它。我想你们在这里谈论的是“学习排名”的东西，在这种情况下，这并不是真正需要的+1.