字串相似度

關於字串相似度

字串相似度工具使用六種經典演算法比較兩個字串，並在演算法之間出現分歧時給出提示。可用於拼字錯誤偵測、姓名比對、重複偵測，或任何需要回答「這兩個字串有多接近——按字母、按編輯距離還是按發音？」的場景。

六種演算法

• Levenshtein 距離——將一個字串變為另一個字串所需的最少單位元編輯次數。
• Damerau–Levenshtein 距離——Levenshtein 加上相鄰字元調換（特別適合 "teh" 與 "the" 這類調換錯誤）。
• Sørensen–Dice 係數——字元 bigram 重疊度，範圍 [0, 1]（模糊重複偵測的主力演算法）。
• Soundex——經典美式英語語音編碼（LDDD 格式），被美國人口普查採用。
• Metaphone——更精確的英語語音編碼，由 Lawrence Philips 於 1990 年設計。
• 科隆音標——德語語音編碼（Kölner Phonetik），德語姓名比對的標準演算法。

演算法分歧時工具會提示

每個結果行都配有通俗解釋、「最佳用途」提示和詳細描述。洞察面板會展示有趣的分歧情況：「發音相同，拼字不同」（應使用語音演算法）、「字元和 bigram 層面都很接近」（可能是真正的近似重複）、「儘管拼字不同但語音匹配」（應使用語音演算法）、「此輸入的語音編碼可能不具參考價值」（輸入為非拉丁字元時）。

常見用途

• 偵測使用者輸入中的拼字錯誤。
• 按姓名比對客戶記錄（特別是使用 Soundex / Metaphone / 科隆音標）。
• 識別資料庫中的近似重複條目。
• 為下游任務選擇合適的相似度演算法。
• 驗證德語 / 英语姓名的不同拼字是否映射到相同的語音編碼。

所有六種演算法都在瀏覽器中運行，任何字串、結果或預設描述都不會離開你的裝置。