在Python中比较字符串以查找匹配单词的最佳方法是什么？

Question

我有两个文本，文本A和文本B。文本B不是文本A的精确副本，它有很多特殊字符，这些字符不在文本A中，但从技术上讲，它是相同的文本。我需要比较字符串并将文本B中的对应项映射到文本A中的对应项

文本不是英文的，也不容易翻译成英文，因此下面的例子只是为了说明其中的一些问题

文本A中的某些单词不在文本B中，但文本B中的所有单词都应在文本A中：

text_a = "he experienced déjà vu"
text_b = ['he', 'experienced']

文本B中的某些单词与文本A使用不同的字符，但它们是相同的单词：

text_a = "she owns & runs the cafe florae"
text_b = ['she', 'owns', 'and', 'runs', 'the', 'cefé', 'floræ']

文本B中的单词通常顺序正确，但并不总是：

text_a = "an uneasy alliance"
text_b = ['uneasy', 'alliance', 'an']

文本B中的某些单词由较小的组件组成，这些组件也包含在文本B中，这些较小的组件是不必要的：

text_a = "we should withdraw our claim"
text_b = ['we', 'should', 'with', 'draw', 'withdraw', 'our', 'claim']

文本A中的某些单词由文本B中的两个或多个单词表示：

text_a = "they undercut their competitors"
text_b = ['they', 'under', 'cut', 'their', 'competitors']

我想做的是用文本B中的对应词替换文本A中的词。为此，我需要编写一个函数来匹配两个文本之间的词

我已经尝试过编写一个函数，它使用nltk库中的edit distance方法与一些正则表达式来比较字符串。这只是一个不错的工作，所以我研究了使用像biopython这样的库中的sequence alignment技术，但我无法理解这些

特别是，在使用编辑距离时，很难将“under”和“cut”等词与“undercut”匹配，同时也可以避免短字符串中的错误。这是因为在一个包含类似标记的句子中，如“to”和“tu”，这些标记与“tú”等具有相同的编辑距离，理论上也是同样有效的候选标记，尽管这里的明显匹配是“tu”，而不是“to”

有没有高精度的方法来匹配文本A中文本B中的字符串？我希望得到如下输出：

text_a = "the cafe florae undercut their competitors then withdrew their claim"
text_b = ['the', 'café', 'floræ', 'under', 'cut', 'their', 'competitors', 'then',
          'with', 'drew', 'withdrew', 'their', 'claim']

match_list = some_matchfunc(text_a, text_b)

print(match_list)

[['the', 'the'], ['cafe', 'café'], ['florae', 'floræ'], ['undercut', 'under'],
 ['undercut', 'cut'], ['their', 'their'], ['competitors', 'competitors'], ['then', 'then'],
 ['withdrew', 'withdrew'], ['their', 'their'], ['claim', 'claim']]

理想情况下，这还应包括文本A中每个匹配单词的开头和结尾的索引，以避免混淆，如下面出现两次的单词“他们的”：

[['the', [0, 3] 'the'], ['cafe', [4, 8] 'café'], ['florae', [9, 15] 'floræ'],
 ['undercut', [16, 24], 'under'], ['undercut', [16, 24], 'cut'], ['their', [25, 30], 'their'],
 ['competitors', [31, 42], 'competitors'], ['then', [43, 47], 'then'], ['withdrew', [48, 56], 'withdrew'],
 ['their', [57, 62], 'their'], ['claim', [63, 68], 'claim']]

如上所述，文本不是英文的，使用NLP技术将其翻译为比较单词是不可行的，因此需要基于字符串比较。我认为一定有某种方法或库已经存在，它采用了比我使用正则表达式和编辑距离更有效的序列对齐算法，但我找不到

有人知道一种非常精确的方法来比较字符串以获得这个结果吗

Answer 1

这个问题本身非常复杂，我建议在合适的时候将字典与合适的同义词结合起来，然后回到序列对齐方法。biopython中的实现可能并不真正适用于这种情况（例如，BLAST依赖于一个分数矩阵，该矩阵对真实单词没有意义，只对核苷酸或氨基酸序列有意义）。我建议你去看看^{}，它可以胜任这项工作。一个非常简单（尽管很幼稚）的解决方案是对所有候选对象进行两两对齐，然后选择最接近的匹配项。根据路线的复杂性，例如是否需要间隙/替换（想象一下"they're" -> "they are"）

请记住，在某些情况下，需要进行多对多、一对多和多对一的替换（您的示例中已经有了其中的一些替换）。序列比对并不能自动解决这个问题，因此我建议使用字典（如果负担得起的话，可以使用双向字典）。如果同义词语料库非常大，我甚至会考虑数据库来执行这些任务。

此外，有些示例需要单词级替换，有些示例需要字母级替换。我建议你把这些分开处理。如果你不必处理打字错误，我会从更大的（单词）规模开始，然后再转到字母级替换