我正在尋找Java庫來對用戶生成的文本內容執行一些初始拼寫檢查/數據規範化操作，請想象在Facebook配置文件中輸入的興趣。Java中數據規範化的拼寫糾正
這段文字將在某些時刻（在拼寫糾正之前或之後，無論哪個作品更好）進行標記，還有一些用作搜索（完全匹配）的關鍵字。如果能夠減少拼寫錯誤等來製作更多的匹配，那就太好了。如果校正對於長於一個單詞的令牌更好地執行，則會更好。 「喝咖啡」會變成「喝咖啡」而不是「思考咖啡」。
我發現做拼寫校正下列Java庫：
歡迎任何建議！
你想要實現的不是拼寫校正，而是模糊搜索。 Peter Norvig的文章是一個很好的起點，可以根據字典對候選人進行模糊搜索。
或者看看BK-Trees。
n-gram索引（由Lucene使用）對較長的單詞產生更好的結果。在給定編輯距離內生成候選詞的方法可能對正常文本中的單詞有效，但對於名稱，地址和科學文本來說不夠好。不過，它會增加你的索引大小。
如果你有文本索引，你有你的文本語料庫（你的字典）。無論如何，只有你的數據中有什麼可以找到。你不需要使用外部字典。
一個很好的資源是Introduction to Information Retrieval - Dictionaries and tolerant retrieval。有一個關於上下文敏感的拼寫糾正的簡短描述。
我真的很喜歡Norvig的小拼寫檢查器，這真棒！然而，問題歸結爲選擇正確的文本語料庫（就像更先進的LUCENE一樣）。從莎士比亞的免費作品中獲取頻率將無助於糾正社交網絡配置文件。 – dareios 2010-02-23 10:59:09
所以你說的是「搗蛋」而不是「喝酒」沒有解決？我將不得不重新閱讀Norvig的文章，也許爲自己實施它，因爲我認爲它可以提供幫助。 – duffymo 2010-02-23 13:08:10
我指的是選擇正確的語料庫（以獲得正確的頻率，例如不是來自英國文獻的頻率，但是適用於可變質量社交網絡數據的頻率）的問題。 如果我正確理解Norvig的代碼，則只需將最多2個單詞的編輯距離考慮在內。這意味着它對於單個單詞來說會起到令人驚訝的效果，而對於多個單詞標記來說則不會。 – dareios 2010-02-23 14:06:30
您可以點擊Gutenberg project或Internet Archive獲取大量的語料庫。
此外，我認爲Wiktionary可以幫助你。你甚至可以製作一個direct download。
關於填充Lucene索引作爲拼寫檢查器的基礎，這是解決問題的好方法。 Lucene有一個可用的框SpellChecker。
網絡上有大量的word dictionaries可供下載並用作lucene索引的基礎。我建議用一些特定領域的文本以及如果你的用戶是醫務人員，那麼可以用來自醫學論文和出版物的源文本來補充字典。
謝謝，我認爲如果Jazzy的工作「足夠好」，我會嘗試構建一個Lucene索引。 – dareios 2010-02-24 08:25:32
這篇文章中的兩個鏈接似乎被破壞 – 2012-10-29 17:52:55
http://code.google.com/p/google-api-spelling-java是一個很好的Java拼寫檢查庫，但我同意托馬斯榮格，這可能不是你的問題的答案。
感謝您的鏈接，有趣的API！ – dareios 2010-04-06 13:08:35
感謝您提供有見地的評論和有趣的書鏈接。 你說得對，我真正想要的是模糊搜索。不過，我會看到如何/如果拼寫檢查適用於我的特定應用程序（也許它現在足夠好了），並重新審視您後面提到的想法。非常感謝！ – dareios 2010-02-24 08:20:54