检查字符串是否有任何拼写错误答案

【问题标题】：Check strings for any spell mistakes检查字符串是否有任何拼写错误
【发布时间】：2015-04-02 18:11:03
【问题描述】：

我遇到的情况是，我以字符串格式获取数据（地理区域的名称）。（例如：- 亚洲、澳大利亚）有时我还会获得包含 1 个以上区域的字符串（例如：- 欧洲和非洲、北部美国和德国等）。这些地区的分隔符也不同，但地区保持不变（例如：- 亚洲和非洲、亚洲-非洲、亚洲/非洲等）。主要问题是这些数据可能不一致。它也有拼写错误。（例如：- Pacific/Pasific 等）

现在我需要将所有这些区域映射到一组存储桶中，但到目前为止我必须手动执行此操作。有没有一种方法可以至少在某种程度上自动化这些字符串的映射？我曾尝试使用 soundex 功能，但我决定不使用它，因为 USA 或 U.S.A 或 United States 的显示方式不同，Austria 和 Australia 的显示方式相同。

感谢您的帮助

【问题讨论】：

你是怎么得到这些名字的？这是用户输入的问题，还是您从某个您无法控制的来源接收这些字符串？
开发人员有责任纠正错误输入的数据，但开发人员有责任尝试他们的在在 Stack Overflow 上提出问题之前提出自己的要求。请向我们展示您到目前为止所做的尝试。
@Steve 我们使用彭博数据。所以我们无法控制它。我们询问了彭博社，他们自己是否有一种方式，他们说他们提供数据的方式与提供给他们的方式相同。
@Sheridan 就像我说的。我尝试过使用 soundex 方法以及字符串差异方法。但选择不使用它，因为它们不是万无一失的..
嗯，这是一个困难的场景。我现在唯一能想到的就是某种学习工具。假设有两个表，一个具有规范化区域，另一个具有这些变量字符串，它们通过公共代码链接在一起。在变量表中搜索并查看是否有标准化版本，否则添加新字符串并要求手动协调它。随着时间的推移，手动工作量应该会减少。（如果变化的数量不是无限的）

标签： c# wpf string mapping match

【解决方案1】：

我会拼写检查
spell check in code behind
从那里创建同义词
计算拼写错误的单词
从最常见的拼写错误的同义词开始

您也可以使用 levenshtein distance 来查找相似的单词

即使是英语，我也不推荐 soundex。

【讨论】：

【解决方案2】：

您是否考虑过使用（模糊）搜索引擎？（例如 Lucene）。

为此，我将执行以下操作：

为每个区域创建 1 个文档，其中包含对该区域有效的所有同义词。（确保每个同义词在整个索引中都是唯一的）
根据您对多区域字符串的规则集对同义词进行标记（在标点符号上拆分应该是一个好的开始）
使用相同的标记化规则搜索索引中的每个输入。

最后，您将获得最高匹配分数。

您可以使用 FuzzyQuery 处理拼写错误（例如，如果输入中允许错误），将编辑距离作为参数。

请记住，无论您做什么，如果您无法控制输入的质量，您都会得到一些（阅读：可能很多）误报。

【讨论】：

非常感谢。我会检查一下。我也知道 100% 映射是不可能的，但如果它可以将我的手工工作减少 50%，那就太好了……干杯。 :D
你能快速思考一下你所说的同义词是什么意思吗？
你自己给的，例如“USA”、“United States of America”可以被视为同义词，因此将被视为同一个文档/物理区域。