字符串相似度

关于字符串相似度

字符串相似度工具使用六种经典算法比较两个字符串，并在算法之间出现分歧时给出提示。可用于拼写错误检测、姓名匹配、重复检测，或任何需要回答"这两个字符串有多接近——按字母、按编辑距离还是按发音？"的场景。

六种算法

• Levenshtein 距离——将一个字符串变为另一个字符串所需的最少单字符编辑次数。
• Damerau–Levenshtein 距离——Levenshtein 加上相邻字符调换（特别适合 "teh" 与 "the" 这类调换错误）。
• Sørensen–Dice 系数——字符 bigram 重叠度，范围 [0, 1]（模糊重复检测的主力算法）。
• Soundex——经典美式英语语音编码（LDDD 格式），被美国人口普查采用。
• Metaphone——更精确的英语语音编码，由 Lawrence Philips 于 1990 年设计。
• 科隆音标——德语语音编码（Kölner Phonetik），德语姓名匹配的标准算法。

算法分歧时工具会提示

每个结果行都配有通俗解释、"最佳用途"提示和详细描述。洞察面板会展示有趣的分歧情况："发音相同，拼写不同"（应使用语音算法）、"字符和 bigram 层面都很接近"（可能是真正的近似重复）、"尽管拼写不同但语音匹配"（应使用语音算法）、"此输入的语音编码可能不具有参考价值"（输入为非拉丁字符时）。

常见用途

• 检测用户输入中的拼写错误。
• 按姓名匹配客户记录（特别是使用 Soundex / Metaphone / 科隆音标）。
• 识别数据库中的近似重复条目。
• 为下游任务选择合适的相似度算法。
• 验证德语 / 英语姓名的不同拼写是否映射到相同的语音编码。

所有六种算法都在浏览器中运行，任何字符串、结果或预设描述都不会离开你的设备。