如何使用Simmetrics java计算重叠Coeffecient和Jaro Winkler

Question

我一直试图使用Sim-metrics库，从：

    <dependency>
        <groupId>com.github.mpkorstanje</groupId>
        <artifactId>simmetrics-core</artifactId>
        <version>4.1.0</version>
    </dependency>

StringMetric sm = StringMetrics.jaroWinkler();
res = sm.compare("Harry Potter", "Potter Harry");
System.out.println(res);

sm  = StringMetrics.overlapCoefficient();
res = sm.compare("The quick brown fox", "The slow brawn fur");
System.out.println(res); 

但是根据https://asecuritysite.com/forensics/simstring

jaro-winkler应该为0，重叠系数应该为100。这甚至是使用这个库的正确方式吗？什么是适当的调用，比如说，如果我想运行这两个指标来匹配我从IMDB获得的一个列表到另一个列表的电影，我打算比较两组的标题，得到两组得分的平均值，并对两组电影的演员阵容做同样的事情。谢谢

Answer 1

您正确地使用了库。但是，您可能希望自定义正在使用的度量。这听起来像是过滤像'the'、'a''和‘等简短的、常见的单词，使用q-gram标记器可能比使用StringMetrics中的默认度量更有效。StringMetrics中的大多数标记在空格上，没有应用过滤器或简化符。

除此之外，我真的不能告诉您哪些组合度量、标记器、过滤器和简化器可能适用于您的用例。最有效的方法是特定于领域的。你必须尝试几种组合，看看什么效果最好。

当我使用您提供的网站计算快速棕色狐狸和慢布朗皮毛的余弦相似度和重叠系数时，我得到：

String 1: The quick brown fox
String 2: The slow brawn fur

The results are then:
Cosine Similarity   25
Overlap Coefficient 25

System.out.println(
  StringMetrics.overlapCoefficient().compare(
    "The quick brown fox", "The slow brawn fur")); // 0.25
System.out.println(
  StringMetrics.cosineSimilarity().compare(
     "The quick brown fox", "The slow brawn fur")); // 0.25

关于Jaro Winkler，它看起来像是使用Simmetrics的旧版本的网站。度量和名称的具体组合，特别是Chapman长度偏差，最初是由Simmetrics的原作者Sam Chapman编写的。

旧版本有一些特性，虽然我不能指出导致这种差异的具体原因，但必须再次并排调试它们。