假设我有以下几句话：
word1 = 'john lennon'
word2 = 'john lenon'
word3 = 'lennon john'
几乎很清楚，这三个词指的是同一个人。具有以下代码：
library(stringdist)
>stringdist('john lennon','john lenon',method = 'jw')
[1] 0.06363636
>stringdist('john lennon','lennon john',method = 'qgram')
[1] 0
>stringdist('john lennon','lennon john',method = 'jw')
[1] 0.33
>stringdist('john lennon','john lenon',method = 'qgram')
[1] 1
很明显，在这个例子中qgram效果更好。但这只是这种情况。我的问题是如何结合这两种方法？
jw给出了更好的结果，但不能“抓住”颠倒的单词（在我的例子中，姓氏与姓氏）。有什么建议吗？
jw您可以集成一个“if”语句，当且仅当qgram不等于 0
时才会运行该方法。即if(stringdist(('john lennon','john lenon',method = 'qgram')!=0){stringdist('john lennon','john lenon',method = 'jw')}
我有一个想法，在计算上似乎很昂贵，但至少它给出了相当不错的结果。
word1 = 'john lennon'
word2 = 'john lenon'
word3 = 'lennon john'
首先删除空格：
word1b = gsub(' ','',word1)
word2b = gsub(' ','',word2)
word3b = gsub(' ','',word3)
按字母顺序排列它们：
word1c = paste(sort(unlist(strsplit(word1b, ""))), collapse = "")
word2c = paste(sort(unlist(strsplit(word2b, ""))), collapse = "")
word3c = paste(sort(unlist(strsplit(word3b, ""))), collapse = "")
最后使用jw方法：
stringdist(word1c,word2c,method = 'jw')
[1] 0.03333333
stringdist(word1c,word3c,method = 'jw')
[1] 0
stringdist(word2c,word3c,method = 'jw')
[1] 0.03333333
令人满意的结果。缺点：可能会在小长度单词中产生不想要的结果。
我的建议是一个两级方案，您可以在单词上匹配单词，在“句子”上匹配“句子”，可能只需尝试单词的所有组合。
是否允许删除空格由您决定 (johnlennon)。