我需要自动将来自不同来源的产品名称(相机，笔记本电脑，电视等)与数据库中的规范名称进行匹配。
例如“Canon PowerShot a20IS” ，“NEW powershot A20 IS from Canon” 和“数码相机Canon PS A20IS”
应该都匹配“Canon PowerShot A20 IS” 。我使用了levenshtein距离，并添加了一些启发式方法(删除了明显的常用词，为数字更改分配了更高的成本等)，这种方法在一定程度上有效，但不幸的是效果不佳。
主要问题是，即使相关字母中的单个字母更改也会产生巨大的差异，但要确定哪些是相关关键字并不容易。例如，考虑三个产品名称:
联想T400
联想R400
全新Lenovo T-400，Core 2 Duo
从任何标准来看，前两个字符串都是非常荒谬的相似字符串(在这种情况下，soundex可能有助于区分T和R，但名称也可能是400T和400R)，第一个和第三个彼此之间相距甚远字符串，但是是同一产品。
显然，匹配算法不能达到100％的精确度，我的目标是以高可信度自动匹配大约80％的名称。
任何想法或引用，不胜感激
最佳答案
我认为这可以归结为区分关键词(例如 Lenovo Lenovo )和谷 shell (例如 New )。
我将对名称数据库进行一些分析以识别关键字。您可以使用类似于生成词云的代码。
然后，我将手动编辑列表以删除任何明显的谷 shell ，例如，New实际上是常见的，但不是关键。
然后，您将获得可用于帮助识别相似性的关键字列表。您可以将“原始”名称与其关键字相关联，并在比较两个或多个原始名称的相似性(字面意思是共享关键字的百分比)时使用这些关键字。
无论如何，这都不是一个完美的解决方案，但是我不认为您期望一个解决方案？