String 模糊字符串匹配

在我的应用程序中，我有一个要求，就是将用户输入的字符串值与数据存储进行模糊匹配

我基本上是试图在向系统添加数据的过程中找到可能的重复项

我研究了变音、双变音和SoundEx，得出的结论是，在处理单个单词输入字符串时，它们都很好；然而，我试图匹配一些未定义的单词（它们实际上是地名）

我确实考虑了把每个单词从字符串中分离出来（删除任何我定义为噪声单词），然后实现一些逻辑，以确定在我的数据存储中哪些地名最好匹配（基于我选择的算法的密钥）；我认为这样做的好处是，我可以有选择地收紧或放松匹配标准以适应应用程序：然而，这对我来说确实有点脏

因此，我的问题是：

1：我处理这个问题的方式是否正确，是的，我知道这会非常昂贵；但是（不深入讨论实现），这些信息将来自memcache数据库

---

2：有没有专门针对语音匹配多个单词的算法？如果是这样的话，请您向我提供一些关于它们的信息，如果可能的话，请提供它们的优点和局限性。

您可能需要研究一个类似于。我曾使用Nilsimsa在各个城市“散列”craigslists的帖子，以搜索重复的帖子（注意：我不是CL员工，只是我在做的一个个人项目）

---

这些方法中的大多数都没有您想要的那么可调（基本上，您可以获得一些松散定义的“编辑距离”度量），而且它们不是语音的，完全基于字符。

您实际上想做什么还不是很清楚。输入是什么？预期的输出是什么？如果您不想采用将名称标记为单词的方法，那么字符bigram和trigram值得研究。您可以尝试使用levenstein distance，它为两个字符串之间的差异返回一个数字。它是否有助于找到“拼音”的正确拼写（你能举个例子吗？）。大多数示例是针对单个单词的，但它也可以用于较长的字符串。