如何使用 kd-trees 来确定字符串相似度？答案

【问题标题】：How do I use kd-trees for determining string similarity?如何使用 kd-trees 来确定字符串相似度？
【发布时间】：2011-04-17 22:23:11
【问题描述】：

我正在尝试利用 k 最近邻来解决字符串相似性问题，即给定一个字符串和一个知识库，我想输出与给定字符串相似的 k 个字符串。是否有任何教程解释了如何利用 kd-trees 有效地对字符串进行 k-最近邻查找？字符串长度不会超过 20 个字符。

【问题讨论】：

【解决方案1】：

可能是我大约一年前读过的最热门的博客文章之一：Levenstein Automata。看看那篇文章。它不仅提供了算法的描述，还提供了要遵循的代码。从技术上讲，它不是 kd-tree，但它与人们可能在现实世界中遇到/使用的字符串匹配和字典校正算法非常相关。

他还有另一篇关于BK-trees 的博客文章，它在字符串的模糊匹配和存在拼写错误的字符串查找方面做得更好。这是另一个包含BK-tree 源代码的资源（我无法验证其准确性或正确实现。）

【讨论】：

Levenshtein Automata 令人印象深刻，但是，在实现了它之后，我只能说，当距离增加时，预计算版本会迅速爆炸（以节点计）。在实践中，在 Trie 中搜索非常快，但自动机开始变得非常大，距离为 4 或以上。
@Matthieu M. 你会推荐什么？
我没有（认真地）实现任何其他机制，所以我没有任何建议。如果你能忍受3的最大距离，那就用它，否则，恐怕你必须自己去探索:)
@MatthieuM。一些嵌套自动机怎么样，例如允许编辑距离高达 3+3。