假设我有4个文本块：
1.
Premium 95 950,034
950,03
158,34
NUMERAR: 1
REST
2.
Premium 15 950,034
111,03 aaaaa
158,34
NUMERAR: 1
REST
3.
Premium 95 950,034
950,03 bbbbb
158,34
dddddd
fffff
4.
PremiR 95 950,034
950,03
158,34
NUMERAR: 1
REST A
如您所见，这些块彼此不同。
有一些最重合的-这是块1和4。有一些最不匹配的块-这是块2和3。
是否有一种算法（在Java / kotlin上）找到最匹配的文本块？在此示例中：1和4
每个块中有多少个单词匹配？
？
附言也许Levenshtein Distance可以帮助您
最佳答案
您应该搜索correlation。
以下内容并非主要用于相关性。
一种简单而逐步的方法来简化数据：
将每个块转换为单词序列；单词ID。并使用levenshtein distance测量每两个序列之间的差异。
缓慢的二次O（N²）。
不尊重结构化数据（标题，数字X，数字Y）
这不尊重类似的单词Premium / PremiR。
您可以按n元语法（例如n = 3个单词的子序列）对块进行索引，从而减少数量或组合。
关于java - 查找最匹配的文本块的算法(在Java/Kotlin上)，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/59566081/