Nlp 如何模糊地搜索字典中的单词？

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？模糊性是绝对必要的，它必须考虑到角色的相似性（即，不盲目地依赖编辑距离）。

levenshtein距离与您所寻找的相似，尽管可能没有那么细粒度。我敢肯定，你可以重新实现一个更受控制的算法版本

---

所以，基本上，您需要某种最小编辑距离，考虑到某些字符（如键盘上靠得很近的字符）更可能被交换？我的直觉告诉我你会在StackOverflow上得到更好的回应。正确！相似字符的概念可能会有所不同（例如，当你对某些东西进行OCR时，l更可能被误读为“t”或“i”，而不是被误读为“a”）。好吧，请继续提问，以及SO和语言学网站上可能张贴的你的副本。关于后者的问题被转移到这里。这是一个开始，但问题是，对于一个巨大的字典，我如何在查询中搜索字典子字符串？Levenshtein距离计算算法可以进行修改，以适应这种情况：但是，它只给出匹配子字符串的最小Levenshtein距离，而没有给出现成的匹配位置。我想我很接近了，如果这里有足够的头脑风暴，我们可以想出一些好主意。

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

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