什麼是比較字符串的最佳算法，並將類似的東西放在一起？

Question

我想分組數據中的冗餘進行一些分析。我的主要分析工具是他們的頭銜。

我可能會像「青鳥」，「大藍鳥」，「黃狗」「紅狗」等

在這種情況下，我想組「青鳥」和「大藍鳥「在一起，但其他要素都不應該分組。

我知道字符串指標，但是，在一般情況下，如何有效的他們是在短語，而不是單個詞或嘈雜的字符串，這將是對這一問題的有效解決方案？

Answer 1

你可以使用，人們通常把在節目數組排序相同的邏輯，確定一個變量（在這種情況下，將是我們將使用的第一個字一個字符串），並與你有字符串比較，總是尋找一個平等的詞，如果它是平等的，你應該放置在一個單獨的向量或特定的順序。

但是，這樣做你會花很多時間，可能不會去，因爲它會去用短語詞組，一個字一個字，信信的最佳途徑。否則，用大組中的第一個單詞的首字母分隔字符串似乎很有幫助。這樣，您可以花更少的時間搜索重複的單詞，從而優化內存的使用。

我發現來自卡內基 - 梅隆大學本文，似乎很有趣，它談論這個問題，你應該更好看： String Metric

Answer 2

字符串指標不還是關心你的話包含空的空間不。因此，短語大多隻是長字符串比的話（在這方面），所以字符串指標的工作也很好，如果您正在執行模糊搜索（allthough你可能想搜索的每一個字單獨）。

因爲你似乎雖然在尋找精確的匹配，我會建議從標題的級聯構建後綴樹。然後，您可以爲每個標題搜索該樹，如果您有多個匹配項，則可以構建標題組。然而，你將需要決定你想要的組合做這樣

• 藍鳥
• 大藍鳥
• 小藍鳥

繼棕/紅狗例子，你會是什麼不想將「大藍鳥」與「小藍鳥」組合在一起，而將「藍鳥」與這兩者組合在一起。