Twitter 的热门话题通常不止一个词。但是对于组合术语，通常有不同的拼写方式，例如：
“混血王子”/“混血王子”
要查找提及热门话题的所有更新，您需要所有拼写方式。 Twitter 这样做：
左边是主题名称，右边是不同的拼写方式。您认为这是手动完成的还是自动完成的？是否可以自动执行此操作？如果是：如何？
我希望你能帮助我。提前致谢！
【问题讨论】：
你基本上想要的是找到similarity between two strings。
我认为Soundex 算法是您正在寻找的。它可用于根据它们的声音比较字符串。或者如 wiki 所述：
Soundex 是一种语音算法，用于通过声音（英语发音）对名称进行索引。目标是将同音异义词编码为相同的表示形式，以便尽管拼写存在细微差异，但仍可以匹配它们。
还有：
使用这个算法[编辑：即用一个字母和三个数字“评价”单词]，“Robert”和“Rupert”都返回相同的字符串“R163”，而“Rubin”产生“R150”。 “Ashcraft”产生“A261”。
祝你好运。
【讨论】：
我将尝试根据 Broken Link 的评论回答我自己的问题（谢谢）：
您已从文档数据库中提取了由 1 到 3 个单词组成的短语。在这些提取的短语中，有以下短语：
对于每个短语，去掉所有特殊字符和空格，并将字符串变为小写：
$phrase = '混血王子'; $phrase = preg_replace('/[^a-z]/i', '', $phrase); $phrase = strtolower($phrase); // 结果是“混血王子”
完成此操作后，所有 3 个短语（见上文）都有一个共同的拼写：
所以“混血王子”是父短语。您将普通短语和父短语都插入到数据库中。
要显示类似 Twitter 的“热门话题管理员”，请执行以下操作：
// first select the top 10 parent phrases
$sql1 = "SELECT parentPhrase, COUNT(*) as cnt FROM phrases GROUP BY parentPhrase ORDER BY cnt DESC LIMIT 0, 10";
$sql2 = mysql_query($sql1);
while ($sql3 = mysql_fetch_assoc($sql2)) {
$parentPhrase = $sql3['parentPhrase'];
$childPhrases = array(); // set up an array for the child phrases
$fifthPart = round($sql3['cnt']*0.2);
// now select all child phrases which make 20% of the parent phrase or more
$sql4 = "SELECT phrase FROM phrases WHERE parentPhrase = '".$sql3['parentPhrase']."' GROUP BY phrase HAVING COUNT(*) >= ".$fifthPart;
$sql5 = mysql_query($sql4);
while ($sql6 = mysql_fetch_assoc($sql5)) {
$childPhrases[] = $sql3['phrase'];
}
// now you have the parent phrase which is on the left side of the arrow in $parentPhrase
// and all child phrases which are on the right side of the arrow in $childPhrases
}
你是这么想的吗，断链？这行得通吗？
【讨论】：
有很多方法可以做到这一点。一篇关于谷歌风格“你的意思是”检查的直截了当的文章是一个很好的阅读关于如何实现这一点的想法。由谷歌研究总监彼得·诺维格撰写。
【讨论】：
“anderstornvig”提到了 Levenshtein/edit 距离，这是一个好主意，但不太合适，因为某些排列比其他排列更重要。问题似乎在于，当我们确定哪些差异“显着”和哪些“无关紧要”时，我们使用了大量特定领域的知识。例如，我们知道“混血王子”中的连字符很重要，但“Firefox 3”中的数字很重要。
因此，您可以考虑自定义一个简单的指标，例如 Levenshtein。添加参数，让您自定义哪些差异是重要的，哪些是不重要的。
特别是，Levenshtein 计算将一个字符串转换为另一个字符串所需的“编辑”次数（即插入、删除和替换）。实际上，它对每个编辑的权重都相同。您可以编写一个以不同方式对某些编辑进行加权的实现。例如，将“-”更改为“”应该具有非常低的权重（表示不重要）。将“3”更改为“2”，当数字单独时，应该具有非常高的权重（表明重要性很高）。
通过参数化计算，您为不断改进算法创造了一条途径。构建一个初始配置并在一些测试数据上运行它。找到指标薄弱的地方（例如，它合并了您认为应该分开的两个术语）并修改参数化，直到您满意为止。
这样，您可以使用特定领域的知识来训练您的算法。
【讨论】：
他们很可能有一些自动系统来建议可能的组合候选者，然后人类做出最终选择来组合它们。可能有一些它们会自动组合。
真正需要人工介入的地方是有常见的昵称。像 Michael Jackson、MJ、Michael 等或 MacDonalds、McD、Micky-D's 等。然后在技术方面你有 Visual Studio、VS2008、VS 等或 StackOverflow、SO 等。然后是 C#、C-Sharp、 C#.NET 都一样，但 C 和 C++ 不同。
所以它需要是一个组合。它可能依赖于基于先前分析或其他来源的已知变化和组合的数据库，但该数据库将由编辑定期维护。
【讨论】：
假设热门话题是通过计算生成的，那么在 Twitter 上执行此操作的确切算法将难以猜测。它很可能是高度机密和专利的（就像专利算法听起来一样可怕）。
我认为相信他们会使用某种自然语言算法是合理的。根据具体情况，它们通常在计算上执行起来非常繁重，并且只会在某种程度上做你想做的事情。
关于该主题的明显有用的阅读来自 wiki：
祝你好运。
【讨论】：
我记得当 MJ 去世时，推特手动返回并修复主题以指向他去世的推文。如今，要求计算机自动执行此类操作的要求很高，尽管可以松散地完成。
【讨论】：