和大家讨论个话题：字符串的归类问题

[skywind]

设一个字符串S为若干单词的组合S={w1,w2,w3....wn}
比如：S1="This is a demo string" = { "This", "is", "a", "demo", "string" }
那么现在有很多个字符串S1...SN，里面出现过的单词有M个，比如有100个字符串，里面含有C个单词
其单词的总集合为I={W1,W2,W3...WC}，那么可以说某一个字符串总是这个总集合的子集合。

嘿嘿，那么这既是一题数学题目也是一题统计学题目，更是一题算法题目。
那么问题出来了：如果两个句子有70%的单词是重复的话，被认为是相似的，也就是说
"This is a demo string"
"This is a demo text"
他们两个是相似的。

终极目标是，如何对这么多的字符串进行归类？？嘿嘿

[ZhangYv]

最重要的是找出那个模糊的评价函数吧，一一做比较效率太慢了些。这个步骤除了用HASH外我也没有想出好的办法。应该和模糊数学有关吧，如果能想找出其中的特征的话...

[ZhangYv]

那就简单了啊，两个FOR语句循环嵌套一一做比较啊。和顺序排序的结构类似。

[skywind]

比如:
var
slist:array[1..N] of string;

function F(s1,s2:string):float
begin
...
返回 0.0 - 1.0的浮点数值，表示两字符串的相似程度
end;

begin
....怎么写嘛....
end.

[zzwu]

还有一个是概念问题: 什么意义下的字符串归类?

[ZhangYv]

好久没有用PASCAL了，不知道是不是这种语法：
procedure Output(var n: integer);
begin
write (n);
end;

for i := 1 to MAXSIZE do
begin
write("Similar strings : ");
write(i);
for j := i + 1 to MAXSIZE - 1 do
begin
if ( F(slist[i], slist[j]) >= 0.7) then
Output(j);
end;
writeln;
end;

[skywind]

那么如果说，我已经做了一个评估函数，可以求得两两字符串之间的相似程度了，现在怎么根据这个两两相似度来归类呢？？

[conghonglei]

如何确定一个类呢？
this is a demo string.

this isn't a demo string.

this is a simple string.

假如80%相似为同类，以哪个string 为此类的比较标准呢？

[huhuhu5]

是啊 我也 没太明白 你说得规类的标准 只有相似性么?
包不包括语法什么的? 如果没有的话应该很简单(要么就是量太大??)

如果有的话 语法中的标准怎么定义???