C# 比较字符串和缩写

Question

我正在尝试将完整字符串与其缩写版本进行比较，并return根据其相似性得出一个分数。

这是一个例子：

Quarta Vara Civel Santana de Parnaiba

以及可能的缩写

Qta VC Sta Parnaiba

Q V C Sta Pba

4 VC Sta Parnaiba

我尝试使用 FuzzyStrings dll 这样做，但是当涉及到像第二个和第三个示例这样的严重缩写时，它就不能正常工作了。

关于如何处理这个问题有什么想法吗？

Answer 1

使用 this answer 的 Jaro-Winkler 距离 class，它优先匹配前缀，并将每个缩写成分与短语单词进行比较（选择最大匹配以补偿跳过的单词），我们可以写这些扩展：

public static class StringExt {
    public static double JaroWinklerDistance(this string s1, string s2) => JaroWinkler.proximity(s1, s2);

    private static Regex AbbrevSplitRE = new Regex(@" |(?=\p{Lu})", RegexOptions.Compiled);
    public static double AbbrevSimilarity(this string abbrev, string phrase) {
        var phraseWords = phrase.Split(new[] { ' ' }, StringSplitOptions.RemoveEmptyEntries);
        return AbbrevSplitRE.Split(abbrev)
                            .Where(aw => !String.IsNullOrEmpty(aw))
                            .Zip(Enumerable.Range(0, phraseWords.Length),
                                 (aw, pwp) => Enumerable.Range(pwp, phraseWords.Length-pwp).Select(n => aw.JaroWinklerDistance(phraseWords[n])).Max()
                            )
                            .Sum() / phraseWords.Length;
    }    
}

注意：正则表达式将缩写组件定义为每个 space 或大写字母。

然后，我们可以将每个缩写（在 abbrevs 中）与原始 phrase 进行比较：

var ans = abbrevs.Select(Abbrev => new { Abbrev, Similarity = Abbrev.AbbrevSimilarity(phrase) });

对于你的例子，我得到这个答案：

      Abbrev        |     Similarity
Qta VC Sta Parnaiba | 0.65001322751322754
Q V C Sta Pba       | 0.60371693121693126
4 VC Sta Parnaiba   | 0.53890211640211649

我可能会为较短的缩写添加权重，具体取决于我的最终目的。

C# 比较字符串和缩写

C# Comparing strings to abbreviations

c#

string

comparison

string-comparison

.net-core