具有自定义字符替换距离的基于编辑的距离（匹配）

Question

我想将一个字符串与 OCR（光学字符识别）中的另一个字符串进行匹配。

通常，OCR 读取的文本是不完美的。在我的情况下，5 被误识别为 S 等等。

所以我想知道是否有办法用自定义距离计算编辑距离。

例如，如果我想计算从5S00AS 到SSOODS 的距离，

我想让A 到D 的替换距离大，5 到S 小，这样distance('5S00AS', 'SSOOAS') 就比distance('5S00AS', 'PDDDDA') 小很多。

我认为 soundex 是相似的，除了相似的声音有更小的距离。对于看起来相似的拼写，我们应该有更小的距离。

我想知道是否已经有一个函数或包可以进行这种类型的距离计算。

Answer 1

您正在寻找具有自定义分数的 Levenshtein 距离。看更一般的https://en.wikipedia.org/wiki/Needleman–Wunsch_algorithm

nltk lib levenshein 实现不支持使用自定义分数，但在 needleman-wunsch 实现中，您通常可以指定这一点（很容易修改算法以使用自定义距离矩阵）。