我有一个值,例如“颜色”,以及一个字符串列表:{颜色,颜色,主颜色,主颜色,主题,品牌,主题.....等}
我想获得最相似的字符串,除了搜索到的字符串本身。在此示例中,期望获得 Color。 (不是颜色)
我正在对列表进行排序 我使用以下规则并对规则进行排名:
- 过滤相同的值
- 检查大小写
- 删除空格。修剪
- 使用编辑距离
- 字符串顺序:主色 = Color Main
- 检查缩写词:HP - 惠普
检查 1000 名相关候选人的名单需要花费大量时间。而且我还有很多候选人需要检查。
还有其他有效的方法吗?
原始代码:
public static List findSimilarity(String word, List candidates) {
List recommendations = new ArrayList();
if (!word.equals("")) {
for (String candidate : candidates) {
if (!word.equals(candidate)) { //1. same token , lower/upper cases , ignore white spaces
if (StringUtils.deleteWhitespace(word).equalsIgnoreCase(StringUtils.deleteWhitespace(candidate))) {
recommendations.add(candidate);
}
//2. same tokens diff order
else if (candidate.split(" ").length == word.split(" ").length) {
String[] candidatearr = candidate.split(" ");
String[] wordarr = word.split(" ");
boolean status = true;
SortIgnoreCase icc = new SortIgnoreCase();
Arrays.sort(candidatearr, icc);
Arrays.sort(wordarr, icc);
for (int i = 0; i < candidatearr.length; i++) {
if (!(candidatearr[i] == null ? wordarr[i] == null : wordarr[i].equalsIgnoreCase(candidatearr[i])))
status = false;
}
if (status) {
recommendations.add(candidate);
}
}
}
}
//3. distance between words
if (recommendations.size() == 0) {
for (String candidate : candidates) {
if (!word.equals(candidate)) {
String[] candidatearr = candidate.split(" ");
String[] wordarr = word.split(" ");
//check for acronym
if ((wordarr.length == 1 && candidatearr.length > 1) || (wordarr.length > 1 && candidatearr.length == 1)) {
String acronym = "";
if (wordarr.length > candidatearr.length) {
for (String tmp : wordarr) {
if (!tmp.equals("")) {
acronym = acronym + tmp.substring(0, 1);
}
}
if (acronym.equalsIgnoreCase(candidatearr[0])) {
recommendations.add(candidate);
}
} else {
for (String tmp : candidatearr) {
if (!tmp.equals("")) {
acronym = acronym + tmp.substring(0, 1);
}
}
if (acronym.equalsIgnoreCase(wordarr[0])) {
recommendations.add(candidate);
}
}
}
}
}
}
if (recommendations.size() == 0) {
for (String candidate : candidates) {
if (!word.equals(candidate)) {
int dist = 0;
String check = "";
if (word.length() > candidate.length()) {
check = candidate;
} else {
check = word;
}
if (check.length() <= 3) {
dist = 0;
} else if (check.length() > 3 && check.length() <= 5) {
dist = 1;
} else if (check.length() > 5) {
dist = 2;
}
if (StringUtils.getLevenshteinDistance(word, candidate) <= dist) {
//if(Levenshtein.distance(word,candidate) <= dist){
recommendations.add(candidate);
}
}
}
}
if (recommendations.size() == 0) {
for (String candidate : candidates) {
if (!word.equals(candidate)) {
String[] candidatearr = candidate.split(" ");
String[] wordarr = word.split(" ");
for (String cand : candidatearr) {
for (String wor : wordarr) {
if (cand.equals(wor) && cand.length() > 4) {
recommendations.add(candidate);
}
}
}
}
}//for
if (recommendations.size() > 4) {
recommendations.clear();
}
}
//4. low priority - starts with
if (recommendations.size() == 0) {
for (String candidate : candidates) {
if (!word.equals(candidate)) {
if (candidate.startsWith(word) || word.startsWith(candidate)) {
recommendations.add(candidate);
}
}
}
if (recommendations.size() > 4) {
recommendations.clear();
}
}
//5. low priority - contain word
if (recommendations.size() == 0) {
for (String candidate : candidates) {
if (!word.equals(candidate)) {
if (candidate.contains(word) || word.contains(candidate)) {
recommendations.add(candidate);
}
}
}
if (recommendations.size() > 4) {
recommendations.clear();
}
}
}
return recommendations;
}
谢谢, 米。
最佳答案
你的问题是时间复杂度之一。 Collections.sort() 是一个 O(n log n) 操作,这是调用比较方法的次数。问题是 Levenshtein 是一个“昂贵”的计算。
您可以通过找到一种方法对每个项目精确计算一次,使编辑计算成为 O(n) 运算,然后根据存储的计算距离进行排序,从而提高排序性能。
我使用各种列表大小对随机整数列表进行排序进行了测试,实际调用 compare()
的次数非常接近 n log2 n,因此对于大约 1000 个字符串的列表,速度会快大约 10 倍,因为 log2(1000) 大约是 10。
您可以通过不排序,而是仅获取指定相同比较器的最小项来进一步提高性能。
另一个改进是通过使用 Set(强制唯一性)来保存候选值,从而避免 distinct()
调用(该调用相对昂贵)。
如果可以的话,请使用已训练且小写的值填充候选值,这样就可以避免每次运行时都进行修剪、小写和小写。对输入进行相同的操作,这样您就可以使用 equals()
而不是速度较慢的 equalsIgnoreCase()
。
这是一种方法:
import static org.apache.commons.lang.StringUtils.getLevenshteinDistance;
String search; // your input
Set<String> candidates = new HashSet<>(); // populate this with lots of values
Map<String, Integer> cache = new ConcurrentHashMap<>();
String closest = candidates.parallelStream()
.map(String::trim)
.filter(s -> !s.equalsIgnoreCase(search))
.min((a, b) -> Integer.compare(
cache.computeIfAbsent(a, k -> getLevenshteinDistance(search, k)),
cache.computeIfAbsent(b, k -> getLevenshteinDistance(search, k))))
.get();
对于 1000 个随机候选,此代码的执行时间约为 50 毫秒,对于 100 万个候选,该代码的执行时间约为 1 秒。
关于java - 找到最相似值的有效方法,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/34917913/