Ομοιότητα συμβολοσειρών
Συγκρίνετε δύο συμβολοσειρές με αλγορίθμους Levenshtein, Jaro-Winkler, Cosine, Jaccard, Hamming και Dice. Άμεσα αποτελέσματα, 100% ιδιωτικό.
Τι είναι η ομοιότητα συμβολοσειρών;
Η ομοιότητα συμβολοσειρών μετρά πόσο κοντά ταιριάζουν δύο συμβολοσειρές κειμένου. Χρησιμοποιείται στον ορθογραφικό έλεγχο, ανάλυση DNA, ανίχνευση λογοκλοπής και αφαίρεση διπλότυπων δεδομένων.
Τι είναι η απόσταση Levenshtein;
Η απόσταση Levenshtein (απόσταση επεξεργασίας) μετρά τον ελάχιστο αριθμό επεξεργασιών ενός χαρακτήρα — εισαγωγές, διαγραφές ή αντικαταστάσεις — που απαιτούνται για τη μετατροπή μιας συμβολοσειράς σε άλλη. Για παράδειγμα, η απόσταση μεταξύ "cat" και "bat" είναι 1.
Τι είναι η ομοιότητα Jaro-Winkler;
Η ομοιότητα Jaro-Winkler δίνει υψηλότερες βαθμολογίες σε συμβολοσειρές που μοιράζονται κοινό πρόθεμα. Χρησιμοποιείται ευρέως για αντιστοίχιση ονομάτων, διευθύνσεων και εγγραφών σε βάσεις δεδομένων.
Πώς λειτουργεί η ομοιότητα cosinus;
Η ομοιότητα cosinus χωρίζει τις συμβολοσειρές σε n-gram χαρακτήρων, τα μετατρέπει σε διανύσματα και μετρά το συνημίτονο της γωνίας μεταξύ τους. Λειτουργεί καλά για μεγαλύτερα κείμενα.
Ποια είναι η διαφορά μεταξύ ομοιότητας cosinus και Jaccard;
Η ομοιότητα cosinus χρησιμοποιεί διανύσματα συχνοτήτων n-gram και μετρά τη γωνία μεταξύ τους, ενώ η Jaccard συγκρίνει σύνολα n-gram χρησιμοποιώντας τον λόγο τομής προς ένωση. Η Jaccard αγνοεί τα διπλότυπα· η cosinus όχι.
Τι είναι η απόσταση Hamming;
Η απόσταση Hamming μετρά τον αριθμό των θέσεων όπου οι αντίστοιχοι χαρακτήρες διαφέρουν μεταξύ δύο συμβολοσειρών ίσου μήκους. Λειτουργεί μόνο σε συμβολοσειρές ίσου μήκους.
Τι είναι ο συντελεστής Sørensen-Dice;
Ο συντελεστής Sørensen-Dice μετρά την ομοιότητα βάσει του αριθμού των κοινόχρηστων bigram σε σχέση με τα συνολικά bigram και στις δύο συμβολοσειρές. Δίνει μεγαλύτερη βαρύτητα στα κοινά στοιχεία από την Jaccard.
Ποιον αλγόριθμο πρέπει να χρησιμοποιήσω;
Για μικρές συμβολοσειρές με τυπογραφικά λάθη (ονόματα, κωδικοί) χρησιμοποιήστε Levenshtein ή Jaro-Winkler. Για μεγαλύτερα κείμενα, η ομοιότητα cosinus είναι η καλύτερη. Για γρήγορη σύγκριση συνόλων, χρησιμοποιήστε Jaccard.
Τι είναι η ανάλυση n-gram;
Το n-gram είναι μια συνεχής ακολουθία n χαρακτήρων από μια συμβολοσειρά. Για παράδειγμα, τα bigram του "hello" είναι "he", "el", "ll", "lo". Τα n-gram είναι τα δομικά στοιχεία πολλών αλγορίθμων ομοιότητας.
Τι είναι η ασαφής αντιστοίχιση;
Η ασαφής αντιστοίχιση βρίσκει συμβολοσειρές που ταιριάζουν περίπου με ένα μοτίβο, όχι ακριβώς. Χρησιμοποιείται σε μηχανές αναζήτησης, ορθογραφικό έλεγχο και καθαρισμό δεδομένων.
Τα δεδομένα μου αποστέλλονται σε έναν server;
Όχι, όλοι οι υπολογισμοί εκτελούνται τοπικά στον browser σας. Το κείμενό σας δεν φεύγει ποτέ από τη συσκευή σας. Δεν υπάρχει επεξεργασία ή αποθήκευση από πλευρά server.
Μπορώ να συγκρίνω κείμενα σε διαφορετικές γλώσσες;
Ναι, οι αλγόριθμοι λειτουργούν με οποιουσδήποτε χαρακτήρες Unicode. Ωστόσο, τα αποτελέσματα μπορεί να διαφέρουν επειδή διαφορετικές γλώσσες έχουν διαφορετικές δομές χαρακτήρων.