Mno - nedávno jsem to řešil. Také potřebuji porovnávat podobnost textů. U mne ale byla výhoda, že vím, že ty texty musí začínat stejně (po odstranění diakritiky) a hledám tedy délku shody na začátku textu. Např.:
Na zelené louce
Na zelené louce leží kravička
výsledek - 51,7%, 15 znaků
Na zelené louce leží kravička
Na zelené louce leží krabička
výsledek - 82,8%, 24 znaků
To jsou pro mé potřeby dostatečné výsledky.
Nicméně ten druhý případ ukazuje, že v jiných případech toto stačit nebude.
Ve svém hledání jsem narazil na
Fuzzy logiku
Hammingovu vzdálenost
Levenshteinovu vzdálenost demo
Pak mám tento odkaz
http://www.ms.mff.cuni.cz/~kopecky/vyuka/dis/
ale ještě jsem nenašel čas si to přečíst.
Zatím mi to připadá, že obecného nic neexistuje, protože pokaždé řešíš něco jiného (výskyt řetězce v řetězci nebo podobnost řetězců). Časově to bude logicky tak náročné, jako počet porovnávaných řetězců a jejich délka. Vlastní funkce na listu bych se asi bál. Myslím něco jako SVYHLEDAT - tedy hledání podobného výskytu v oblasti.
No ona je to dneska vlastně už věda bych řekl - vyhledávání plagiátů. Takže nějaké nástroje už existovat budou...citovat
Na zelené louce
Na zelené louce leží kravička
výsledek - 51,7%, 15 znaků
Na zelené louce leží kravička
Na zelené louce leží krabička
výsledek - 82,8%, 24 znaků
To jsou pro mé potřeby dostatečné výsledky.
Nicméně ten druhý případ ukazuje, že v jiných případech toto stačit nebude.
Ve svém hledání jsem narazil na
Fuzzy logiku
Hammingovu vzdálenost
Levenshteinovu vzdálenost demo
Pak mám tento odkaz
http://www.ms.mff.cuni.cz/~kopecky/vyuka/dis/
ale ještě jsem nenašel čas si to přečíst.
Zatím mi to připadá, že obecného nic neexistuje, protože pokaždé řešíš něco jiného (výskyt řetězce v řetězci nebo podobnost řetězců). Časově to bude logicky tak náročné, jako počet porovnávaných řetězců a jejich délka. Vlastní funkce na listu bych se asi bál. Myslím něco jako SVYHLEDAT - tedy hledání podobného výskytu v oblasti.
No ona je to dneska vlastně už věda bych řekl - vyhledávání plagiátů. Takže nějaké nástroje už existovat budou...citovat
RSS nejnovější články