Strenglighed

Strenglighed måler, hvor to tekststrenge ligner hinanden. Det bruges i stavekontrol, DNA-analyse, plagiatdetektion og deduplikering af data.

Levenshtein-afstand (redigeringsafstand) måler det mindste antal enkelttegnredigeringer — indsættelser, sletninger eller erstatninger — der kræves for at omdanne en streng til en anden. For eksempel er afstanden mellem "cat" og "bat" lig med 1.

Jaro-Winkler giver højere point til strenge, der deler et fælles præfiks. Bruges ofte til at matche navne, adresser og poster i databaser.

Cosinus-lighed opdeler strenge i tegn-n-gram, konverterer dem til vektorer og måler cosinus af vinklen mellem dem. Fungerer godt til længere tekster.

Cosinus-lighed bruger n-gram-frekvensvektorer og måler vinklen mellem dem, mens Jaccard sammenligner n-gram-mængder med forholdet fælles mængde/union. Jaccard ignorerer dubletter; cosinus gør det ikke.

Hamming-afstand tæller antallet af positioner, hvor tilsvarende tegn er forskellige mellem to lige lange strenge. Det fungerer kun med strenge af samme længde.

Sørensen-Dice-koefficienten måler lighed baseret på antallet af delte bigrammer i forhold til det samlede antal bigrammer i begge strenge. Den giver mere vægt til fælles elementer end Jaccard.

For korte strenge med tastefejl (navne, koder) brug Levenshtein eller Jaro-Winkler. For længere tekster er cosinus-lighed bedst. Til hurtig mængdesammenligning brug Jaccard.

Et n-gram er en sammenhængende sekvens af n tegn fra en streng. For eksempel er bigrammerne af "hello": "he", "el", "ll", "lo". n-gram er byggestenene i mange lighedsalgoritmer.

Fuzzy matching finder strenge, der omtrent matcher et mønster, ikke præcist. Det bruges i søgemaskiner, stavekontrol og dataoprydning.

Nej, alle beregninger udføres lokalt i din browser. Din tekst forlader aldrig din enhed. Der er ingen server-side behandling eller datalagring.

Ja, algoritmerne fungerer med alle Unicode-tegn. Resultaterne kan dog variere, fordi forskellige sprog har forskellige tegnstrukturer.