Levenshtein 基于距离的方法与 Soundex答案

【问题标题】：Levenshtein distance based methods Vs SoundexLevenshtein 基于距离的方法与 Soundex
【发布时间】：2010-09-07 16:57:54
【问题描述】：

根据相关线程中的this 评论，我想知道为什么基于 Levenshtein 距离的方法比 Soundex 更好。

【问题讨论】：

【解决方案1】：

Soundex 相当原始 - 它最初是为手动计算而开发的。它会产生一个可以比较的键。

Soundex 适用于西方名称，因为它最初是为美国人口普查数据而开发的。它用于语音比较。

Levenshtein distance 查看两个值并根据它们的相似性生成一个值。它正在寻找丢失或替换的字母。

基本上，Soundex 更适合发现“Schmidt”和“Smith”可能是同一个姓氏。

Levenshtein 距离更适合发现用户输入错误的“Levnshtein”；-)

【讨论】：

【解决方案2】：

我建议使用Metaphone，而不是 Soundex。如前所述，Soundex 是在 19 世纪为美国名字开发的。 Metaphone 会在检查“试听”和拼音的拼写不佳者的工作时为您提供一些结果。

编辑距离擅长捕捉错别字，例如重复字母、换位字母或敲错键。

考虑应用程序来决定最适合您的用户的应用程序 - 或同时使用两者，Metaphone 补充了 Levenshtein 提出的建议。

关于原问题，我在信息检索应用中成功使用了n-grams。

【讨论】：

【解决方案3】：

我同意 Daitch-Mokotoff 的观点，Soundex 存在偏见，因为最初的美国人口普查员想要“美国化”的名字。

也许一个关于差异的例子会有所帮助：

Soundex 将附加值放在单词的开头 - 实际上它只考虑前 4 个语音。因此，虽然 "Schmidt" 和 "Smith" 会匹配 "Smith" 而 "Wmith" 不会。

Levenshtein 的算法更适合查找拼写错误 - 一个或两个缺失或替换的字母会产生高相关性，而这些缺失字母的语音影响不太重要。

我认为两者都不是更好，我会考虑使用距离算法和语音算法来帮助用户更正键入的输入。

【讨论】：

【解决方案4】：

@Keith:

正如我在另一个问题上发布的那样，Daitch-Mokotoff 更适合我们欧洲人（我认为美国）。

我还阅读了 Levenshtein 上的 Wiki。但我不明白为什么（在现实生活中）它比 Soundex 对用户来说更好。

【讨论】：