字符串之間的相似性 - SQL Server 2005

Question

我正在尋找一種簡單的方法（UDF？）來建立字符串之間的相似性。 SOUNDEX和DIFFERENCE函數似乎沒有完成這項工作。

相似性應基於共同字符的數量（順序重要）。

例如：

Spiruroidea SP。 AM-2008

和

Spiruroidea根。 SP。 AM-2008

應該被認爲是相似的。

任何指針將非常感激。

謝謝。

基督教

Answer 1

你可能要考慮實施Levenshtein Distance算法作爲UDF，這樣它會返回需要在訂單上String一個執行操作的數量使它成爲字符串B.這通常被稱爲edit distance。

然後，您可以比較萊文斯坦距離函數的結果對一個固定的閾值，或對String一個或字符串B的百分比長度

只需將如下使用它：

WHERE LEVENSHTEIN(Field_A, Field_B) < 4; 

您可能要檢查的SQL Server以下Levenshtein距離實現：

• Levenshtein Distance Algorithm: TSQL Implementation

Answer 2

這些事情不是微不足道的，你應該提供更多的例子。

正如Daniel levenshtein提到的那樣，距離是一條可行的路線，但是對於您的示例，如果您知道可以安全地放棄某些單詞，則可能需要預先處理這些字符串 - 例如，從您的示例中可以看出文字。可以被丟棄。

levenshtein距離將考慮任何四個字母的單詞而不是gen。和gen一樣。這可能不是你想要的。

此外，如果您的數據集來自不同的數據源，您可能會考慮構建同義詞字典並調查您的域的現有標準分類法。也許如this？