Php Levenshtein-分组酒店名称
我必须根据一些旅馆的名字把它们归为同一类。我使用levenshtein进行分组，但我已经尝试了很多次，一些酒店超出了它们应该属于的类别，或者属于另一个类别 例如：所有这些酒店应属于同一类别： ============================= 贝西河高切最佳西方酒店 科利西最佳西方酒店 勃艮第公爵最佳西方酒店 最佳西方福克斯通歌剧院 最佳西方法国欧洲酒店 悉尼歌剧院最佳西方酒店 最佳西方巴黎卢浮宫歌剧院 纽维尔最佳西方酒店 ============================= 我有一个所有酒店名称的列表（比如1000行）。我也有他们应该如何分组。 你知道如何优化levenshtein，让它更适合我的情况吗Php Levenshtein-分组酒店名称,php,string,algorithm,grouping,levenshtein-distance,Php,String,Algorithm,Grouping,Levenshtein Distance,我必须根据一些旅馆的名字把它们归为同一类。我使用levenshtein进行分组，但我已经尝试了很多次，一些酒店超出了它们应该属于的类别，或者属于另一个类别 例如：所有这些酒店应属于同一类别： ============================= 贝西河高切最佳西方酒店 科利西最佳西方酒店 勃艮第公爵最佳西方酒店 最佳西方福克斯通歌剧院 最佳西方法国欧洲酒店 悉尼歌剧院最佳西方酒店 最佳西方巴黎卢浮宫歌剧院 纽维尔最佳西方酒店 ============================= 我有
$inserted = false;
foreach($hotelList as $key => $value){
if (levenshtein($key, $hotelName, 2, 5, 1) <= abs(strlen($key) - strlen($hotelName))){
array_push($hotelList[$key], trim($line));
$inserted = true;
}
}
// if no match was found add another entry
if (!$inserted){
$hotelList[$hotelName] = array(
trim($line)
);
}
$inserted=false；
foreach（$key=>$value的hotelList）{
如果（levenshtein（$key，$hotelName，2,5,1）您将哪些levenshtein距离值视为要作为同一组的一部分的单词之间的差值？似乎您倾向于根据最初的几个单词对酒店进行分组，这将需要完全不同的方法（如字典排序、比较当前字符串和下一个字符串等）但是，如果你的用例仍然需要计算LevsHeTin距离，那么我建议你根据它们的长度对字符串排序，然后开始比较每个字符串和其他长度相似的字符串（应用你自己的试探法，把你认为是‘相似’的，就像你可以说是相似的＝数学。ABS（STR1长度- STR2。长度））。我会深入思考。首先，像这样对数据进行分组或“聚类”是一个相当大的话题，我不会特别深入讨论，但可能会指出一个理想的方向
通过对所比较字符串的长度进行规范化，您做了一件了不起的事情——这完全正确，因为您避免了在许多情况下字符串的长度会过度确定相似性的问题
但算法并没有解决问题。首先，我们想比较一下单词。“Bent East French Hotels”显然与“Best Western French Hotels”有很大不同，但它的得分要高于“Best Western Paris Bed and Breakfasts”这里要理解的直觉是，你的代词不应该是字符，而应该是单词
我喜欢@saury的答案，但我不确定一开始的假设。相反，让我们从一个好的、简单的、经常被称为“”的东西开始。然后我们实施一个技巧，让你根据直觉来识别关键短语，即使用最少的词包含最多的信息
如果你认同酒店品牌名称接近开头的观点，那么你也可能会对其接近开头的位置产生偏差。事实是，你的团队最终很可能是“法国”和“最佳”/“西方”（但不是“酒店”-为什么？）
你想让你的结果更准确
从现在开始，我们必须进一步研究一些严肃的算法——享受浏览许多堆栈溢出主题的乐趣。我的直觉是，我打赌许多酒店名称根本没有品牌，所以你也需要为它们设置不同的类别。我的直觉是，酒店名称中重复的单词数量将相对较少-有些词可能是酒店名称中经常出现的成员。这些事实可能是上述问题。在这种情况下，有一种非常流行的（如果是陈词滥调的话）技术称为k-means，这是一个有趣的介绍，它将扩展一个算法，如（非常勇敢地用php编写）将你选择的n个关键短语作为集群的n维，然后将集群中心点的大部分组成部分作为你的分类标签（这将消除“France”，比如说，因为“France”的点击将相当均匀地分布在n维空间中）
这可能是一个小问题，但我想强调的是，如果您的数据没有结构化，那么就没有任何捷径可以让您正确地进行操作。您可能需要阅读相关内容和一般内容。您确实应该提供实际的代码。一个选项是添加一个ode>chain company