沒有具體代碼展示铁坎，只做思路分享，有更好的思路犁苏，歡迎交流硬萍。查看原文
背景介紹
字符串的相似度算法在許多領(lǐng)域都能經(jīng)常用到，在數(shù)據(jù)清理傀顾、語音識(shí)別襟铭、語音糾錯(cuò)、搜索等領(lǐng)域有重要的用處。本文主要介紹基于模糊音的方式匹配中文字符串寒砖，文末還會(huì)有作者對(duì)中文相似度匹配算法的其它想法赐劣。
問題描述
在語音識(shí)別領(lǐng)域，由于我國方言眾多哩都，所以需要精準(zhǔn)地匹配每個(gè)地方的方言目前還不太現(xiàn)實(shí)魁兼。市面上的語音識(shí)別服務(wù)基本上對(duì)普通話的識(shí)別率是最高的，但是也需要用戶用很標(biāo)準(zhǔn)的普通話來講漠嵌。這就涉及到模糊音匹配的問題了咐汞。
提出問題
用戶說：“大娘水餃好吃嗎”，被語音識(shí)別成了“大亮睡覺好吃嘛”（舉個(gè)栗子而已）儒鹿，這個(gè)時(shí)候怎么將語音識(shí)別后的結(jié)果轉(zhuǎn)換成我想要的結(jié)果化撕。
解決思路
中文漢字大致有幾個(gè)特征：1）聲母约炎；2）韻母植阴；3）聲調(diào)；4）偏旁圾浅；5）結(jié)構(gòu)掠手；6）筆畫
這幾個(gè)特征中，在語音識(shí)別后的處理過程中狸捕，1喷鸽、2、3的權(quán)重要高一些灸拍，其中做祝，1、2最為重要株搔，也就是語音識(shí)別為什么出錯(cuò)的原因剖淀，要做的事情就是通過模糊音將聲母、韻母來進(jìn)行匹配纤房。
先將23個(gè)聲母編號(hào)：
| 聲母 | 編號(hào) | 聲母 | 編號(hào) | 聲母 | 編號(hào) | 聲母 | 編號(hào) |
|---|---|---|---|---|---|---|---|
| b | 1 | p | 2 | m | 3 | f | 4 |
| d | 5 | t | 6 | n | 7 | l | 7 |
| g | 8 | k | 9 | h | 4 | j | B |
| q | C | x | D | zh | E | ch | F |
| sh | G | r | H | z | E | c | F |
| s | G | y | I | w | J |
韻母編號(hào)：
| 韻母 | 編號(hào) | 韻母 | 編號(hào) | 韻母 | 編號(hào) | 韻母 | 編號(hào) |
|---|---|---|---|---|---|---|---|
| a | 1 | o | 2 | e | 3 | i | 4 |
| u | 5 | v | 6 | ai | 7 | ei | 7 |
| ui | 8 | ao | 9 | ou | A | iu | B |
| ie | C | ue | D | er | E | an | F |
| en | G | in | H | un | I | ven | J |
| ang | F | eng | G | ing | H | ong | K |
| ian | L | uan | M | iang | N | uang | O |
| iong | P | iao | Q |
我把常用模糊音的聲母和韻母各自都標(biāo)成相同的纵隔，比如n、l都是7炮姨，這樣便于后面處理捌刮。
將語音識(shí)別結(jié)果按照 “聲母-韻母-聲母-韻母” 這樣的格式轉(zhuǎn)換成編號(hào)就變成了“517NG8BQA9F431”，關(guān)鍵字中“大娘水餃”拼音編碼后是“517NG8BQ”舒岸，這個(gè)時(shí)候可以看出有兩個(gè)字符串已經(jīng)相同了绅作。
所以目前可以想到的基于模糊音的中文匹配算法大概就是：先將原語句通過聲母表和韻母表編碼，再將自建的關(guān)鍵詞庫（事先也通過這種方法編碼）與其對(duì)比蛾派，如果有相同的字符串俄认，則很大概率可以直接替換掉原文个少，當(dāng)然也有少數(shù)情況兩個(gè)關(guān)鍵詞拼音都一樣。
思維發(fā)散
目前這種方式是基于絕對(duì)匹配來做的眯杏，也就是關(guān)鍵詞庫和原語句必須完全相同才能相互替換夜焦，但是需要用到模糊匹配上面似乎這種方式已經(jīng)不行了。
不過岂贩，在這種方式的基礎(chǔ)上茫经，再利用到Edit Distance的算法似乎也可以實(shí)現(xiàn)模糊匹配，找出距離最相近的關(guān)鍵詞萎津，這種方式我沒有試過卸伞，算法可參見Edit Distance。
我真正想說的是下面的東西锉屈。
在輸入法上面會(huì)有簡拼的用法荤傲，相信大家很習(xí)慣了‘wzry’就會(huì)匹配到‘王者榮耀’這樣的輸入方式。這個(gè)用法會(huì)給我一個(gè)啟發(fā)部念，在模糊匹配的時(shí)候弃酌，有時(shí)候不需要用到韻母，有時(shí)候也不需要用到聲母儡炼，特別是在長語句當(dāng)中，簡拼這種方式尤其受人喜歡查蓉。我們可以將上面例子中的原語句只將聲母編碼出來“57GBAF3”乌询，“大娘水餃”關(guān)鍵詞的聲母是“57GB”，這個(gè)時(shí)候如果嫌精度不夠高的話豌研，可以把韻母加在后面妹田，原語句為“57GBAF31N8Q941”，關(guān)鍵詞為“57GB1N8Q”鹃共，這樣精度就高了點(diǎn)鬼佣，而且可以當(dāng)作hash來使用，查找的時(shí)候復(fù)雜度為O(1)霜浴，這個(gè)時(shí)候再用上前面的Edit Distance的算法的話晶衷，基本上基于模糊音的中文匹配精度就很高了。
如果不只是對(duì)語音識(shí)別后的語句做調(diào)整的話阴孟，還可以在前面編碼的過程中加入字形的特征晌纫，偏旁結(jié)構(gòu)筆畫等做到根據(jù)字形也能智能糾錯(cuò)。
甚至如果在有大量統(tǒng)計(jì)數(shù)據(jù)的情況下永丝，將每個(gè)聲母或者韻母的編號(hào)用出現(xiàn)的概率來表示的話锹漱，還可以定量地計(jì)算出兩個(gè)字符串之間的相似度，但是遺憾沒有這么大量的數(shù)據(jù)慕嚷。
中文字符串相似度算法還有很多可以拓展的哥牍，還需讀者自行探索下去毕泌。
