字符串相似度

字符串相似度衡量两段文本的匹配程度，广泛应用于拼写检查、DNA 分析、抄袭检测和数据纠错等领域。

Levenshtein 距离（编辑距离）衡量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（插入、删除或替换）。例如 "cat" 和 "bat" 的距离为 1。

Jaro-Winkler 对具有相同前缀的字符串给予更高分数，常用于数据库中的姓名、地址匹配，能有效处理拼写错误。

余弦相似度将字符串拆分为字符 n-gram，转换为向量后计算两向量间夹角的余弦值。适用于较长文本，常用于信息检索。

余弦相似度使用 n-gram 频率向量并计算夹角，杰卡德相似度则使用 n-gram 集合的交集与并集之比。杰卡德忽略重复项，余弦不忽略。

汉明距离统计两个等长字符串在相同位置上不同字符的个数，仅适用于等长字符串，常见于纠错编码。

Sørensen-Dice 系数基于两个字符串共有的 bigram 数量与总 bigram 数量的比例来衡量相似度，对共有元素赋予更高权重。

短文本（姓名、编码）有拼写错误时选 Levenshtein 或 Jaro-Winkler；长文本选余弦相似度；快速集合比较选杰卡德；等长字符串选汉明距离。

n-gram 是字符串中连续 n 个字符的序列。例如 "hello" 的 bigram 为 "he"、"el"、"ll"、"lo"。n-gram 是许多相似度算法的基础。

模糊匹配查找与目标模式近似（而非完全）匹配的字符串，常用于搜索引擎、拼写检查和数据清洗中处理拼写错误和变体。

不会，所有计算都在您的浏览器本地完成，文本不会离开您的设备，没有服务器端处理或数据存储。

可以，算法支持任意 Unicode 字符。但由于不同语言的字符结构和分词方式不同，结果可能会有差异。