基于Levenshtein距离的方法 vs Soundex算法

Question

根据这篇相关帖子中的评论，我想知道为什么基于莱文斯坦距离的方法比Soundex更好。

- ColinYounger

---

我赞同使用 Metaphone / Double Metaphone 的建议。 - user177800

Answer 1

Soundex是相对简单的算法，最初是为了手工计算而开发的。它生成一个可以进行比较的键。

在西方姓名方面，Soundex效果很好，因为它最初是为美国人口普查数据开发的。它旨在进行语音比较。

Levenshtein距离比较两个值并基于它们的相似性产生一个值。它寻找缺失或替换的字母。

基本上，Soundex更适合发现“Schmidt”和“Smith”可能是同一个姓氏。

Levenshtein距离更适合发现用户错拼了“Levnshtein” ;-)

- Keith

Answer 2

我建议使用Metaphone，而不是Soundex。如注所述，Soundex是19世纪为美国人名开发的。Metaphone将在检查拼写错误的工作时给出一些结果，这些错误是由于“按音拼写”和拼写音标引起的。

编辑距离对于捕捉重复字母、换位字母或按错键等打字错误非常有效。

考虑应用程序以决定哪种方法最适合您的用户-或者同时使用两种方法，Metaphone补充Levenshtein产生的建议。

关于原始问题，我已经成功地在信息检索应用程序中使用了n-grams。

- erickson

---

我会选择双元音编码，它返回两个代码，一个用于西方发音，另一个用于“外国”（更斯拉夫语系的）发音。 - gbjbaanb

Soundex是在20世纪初开发的，用于19世纪的人口普查数据。 - webmaster777

Answer 3

我同意Daitch-Mokotoff比Soundex更好，因为原始的美国人口普查员想要“美国化”的名字。

也许举个例子会有所帮助：

Soundex将重点放在单词开头——实际上它只考虑前4个语音。所以，“Schmidt”和“Smith”将匹配，“Wmith”则不会。

Levenshtein算法更适合查找拼写错误——一两个缺失或替换的字母会产生高相关性，而这些缺失字母的语音影响则较少重要。

我认为两者都没有优劣之分，对于帮助用户纠正输入错误，我会考虑使用距离算法和语音算法。

- Keith

Answer 4

@Keith：

正如我在另一个问题中发布的那样，对于我们欧洲人（我认为包括美国人），Daitch-Mokotoff更好。

我也读过关于Levenshtein的维基百科。但是我不明白为什么（在现实生活中）它比Soundex更适合用户。

- ColinYounger