Статистическое сравнение строк

Question

Я ищу способ сравнения сходства строк. В частности, учитывая два адреса, я хотел бы оценить их сходство.

E.G.

Учитывая 8219 Lime Forest Blvd и 8219 Lime Форст Boulevard

Выход сравнения должны дать мне представление о том, насколько похожи строки.

Answer 1

Расстояние до Левенштейна - путь. Просто из коробки идея - два адреса могут быть разными (можно почтовый код, еще одна улица с номером), и много денег было потрачено на создание потрясающих услуг геокодирования (например, https://developers.google.com/maps/documentation/geocoding/?hl=cs). Таким образом, альтернативный подход состоял бы в том, чтобы вычислить долготу/широту для обоих адресов с помощью службы геокодирования и посмотреть, соответствует ли широта/долгота :)

Answer 2

вы могли бы использовать что-то вроде этого

import org.apache.commons.lang.StringUtils; 


public class StringComparison { 

    /** 
    * @param args 
    */ 
    public static void main(String[] args) { 

     String s1 = "8219 Lime Forest Blvd"; 
     String s2 = "8219 Lime Forst Boulevard"; 

     //number of chars that differ 
     int distance = StringUtils.getLevenshteinDistance(s1, s2); 

     //"relative" difference 
     float d = (float)distance/(float)s1.length(); 

     System.out.println(d); 

    } 

} 

getLevenshteinDistance даст вам ряд символов, которые отличаются от s1 до s2.

Я думаю, что более полезно, если вы разделите это число на длину строки (осторожно с делением на ноль) и попробуйте вручную найти сладкое пятно, где разница достаточно мала, чтобы обнаружить тот же адрес (для меня это как правило, около 20 ~ 30%)

Этот пример в JAVA, либерал используется в http://commons.apache.org/proper/commons-lang/index.html

Кроме того, вы могли бы улучшить это только замена известных сокращений и пытается с ними.