用Java实现Google的“您是不是要找”功能

核心提示：引言 很多人在使用搜索引擎的时候，会出于各种原因，用Java实现Google的“您是不是要找”功能，拼错想要搜索的关键字，比如键盘有问题（某个按键坏了）、不熟悉国际名称（弗洛伊德的全名 Sigmund Freud）、不小心写错字母（Sinpsons）或多写了一个字母（Frusciaante），利用已有的算法使得&ldq

引言

很多人在使用搜索引擎的时候，会出于各种原因，拼错想要搜索的关键字，比如键盘有问题（某个按键坏了）、不熟悉国际名称（弗洛伊德的全名 Sigmund Freud）、不小心写错字母（Sinpsons）或多写了一个字母（Frusciaante）。许多用户都很熟悉Google搜索引擎携带的“您是不是要找”功能。这个功能在检测到搜索关键字有可能拼写错了的时候会提供一些备选建议。

文本搜索在电子商务网站等各类应用中都很常见。电子商务网站通常提供文本搜索功能，用户因此可以自行查找符合关键字的产品目录。一旦用户拼错关键字，很可能就直接导致销售损失。举例来说，假如你运营一个销售DVD的在线商店。阿诺德·施瓦辛格（Arnold Schwarzenegger）的影迷想在你的网店购买施瓦辛格主演的所有DVD。他首先做的就是在搜索栏键入施瓦辛格的名字，可是如果他把名字拼错了，拼成了“Arnold Swuazeneger”，假如你的网店没有返回任何相关的结果，那他就会去另一家网店购买。

解决这个问题的其中一个方案就是利用内置的领域知识来实现“您是不是要找”的功能，向用户提供“您是不是要找Arnold Schwarzenegger”的建议。本文将要探讨的就是如何用Java来实现这个功能。

编辑距离算法

在信息论和计算机科学领域，两个字符串之间的编辑距离是指将其中一个字符串用另一个字符来替换所需要的操作次数。定义编辑距离的方式有好几种，使用这些定 义计算编辑距离值的算法也有很多。主要的算法有Levenshtein、Jaro-Winkler和n-gram。Jaro-Winkler是Jaro距离度量的一个延伸，主要应用于记录连接领域（重复检测）。Levenshtein算法中，两个字符串之间的距离定 义为将一个字符串转换为另一字符串所需的最少编辑次数，允许的编辑操作有插入、删除、单个字符的替换。该算法由Vladimir Levenshtein在1965年提出，并以作者名来命名。n-gram是一个概率模型，按顺序预测下一个编辑项，这一模型广泛用于统计自然 语言处理和基因序列分析的各个领域。

本文并非要研究如何从头实现这些算法，我们要关注的是如何借助Apache Lucene中已有的实现——SpellChecker项目来应用这些算法。

简单来说，Lucene SpellChecker实现包括主类SpellChecker，主类SpellChecker用到了Directory、Dictionary、以及三个StringDistance算法之一。SpellChecker类使用策略模式（GoF）选择StringDistance算法，内置的StringDistance算法实现有JaroWinklerDistance、 LevenshteinDistance、NGramDistance，缺省为LevenshteinDistance。你还可以调整精度，精度的取值范围在0到1之间，缺省为0.5。精度的设置对结果有很大影响，也许你会觉得精度应当设置得比缺省值要高一些，但也许你会发现设置得过高时算法却不会返回任何结果。拿我的词典来说，精度取0.749时得到的结果最好。Dictionary接口有两个直接实现，你也可以编写自己的实现。

对我们的“您是不是要找”实现来说，我们在词典中搜索关键字的子集，根据选定的字符串距离算法查找“相近”的关键字，而且距离要与预先设置的精度相匹配。图1是Lucene SpellChecker的类图概览。

查看原图（大图）

示例

下面是一个简单的代码示例。运行这个例子需要Java 5或更新版本、lucene-core-3.0.0.jar、lucene-spellchecker-3.0.0.jar，以及一个名为 dictionary.txt的平面文件（一行一个关键字的简单文本文件，后面有一个例子）。

//创建词典　
　
　
//实例化拼写检查器　
final　SpellChecker　sp　=　new　SpellChecker(directory);　
　
　
//对词典进行索引　
sp.indexDictionary(new　PlainTextDictionary(new　File("dictionary.txt")));　
　
　
//“错误”的搜索　
String　search　=　"Arnold　Swuazeneger";　
　
　
//建议个数　
final　int　suggestionNumber　=　5;　
　
　
//获取建议的关键字　
String[]　suggestions　=　sp.suggestSimilar(search,　suggestionNumber);　
　
　
//显示结果　
System.out.println("Your　Term:"　+　search);　
　
　
for　(String　word　:　suggestions)　{　
　System.out.println("Did　you　mean:"　+　word);　
}　
　
　
//再创建一个拼写错误的搜索　
search　=　"bava";　
　
suggestions　=　sp.suggestSimilar(search,　suggestionNumber);　
　
　
System.out.println("Your　Term:"　+　search);　
for　(String　word　:　suggestions)　{　
　System.out.println("Did　you　mean:"　+　word);　
}　

给定的dictionary.txt文件如下所示：

Seth　MacFarlane
Arnold　Schwarzenegger
Scarlett　Johansson
Rodrigo　Santoro
java
lava
bullet

程序的输出为：

Your　Term:　arnold　swuazeneger
Did　you　mean:　Arnold　Schwarzenegger
Your　Term:　bava
Did　you　mean:　java
Did　you　mean:　lava
Did　you　mean:　bullet

Benchmarking测试

为了对性能有所了解，我们在具备以下配置的机器上将示例运行了十五次，取其平均值：

操作系统：Windows XP Professional SP3
处理器：Intel Core 2 Duo E6550 @2.33GHz
内存：1.96GB

测试

	测试编号	关键字长度	词典大小	精度	算法	索引时间	获得建议的时间
	T1	17	5	0,5	Levenshtein	73,0136214	25,036049
	T2	17	81000	0,5	Levenshtein	3402,293693	27,7293112
	T3	17	5	0,5	JaroWinkler	69,53269	24,232477
	T4	17	81000	0,5	JaroWinkler	3356,016059	26,287849
	T5	17	81000	0,5	NGram	3353,633583	26,580123
	T6	17	81000	0,9	Levenshtein	3325,310027	26,96378
	T7	17	81000	0,3	Levenshtein	3408,072786	24,723142
	T8	4	81000	0,67	Levenshtein	3328,584784	25,363586
	T9	28	81000	0,67	Levenshtein	3354,5943	31,284672

图表

其中：
关键字长度是关键字包含的字母个数。
词典大小是文件行数。
精度由setAccuracy方法设置。

根据测试结果，我们可以得出这样的结论：精度对时间的影响不大，关键字长度对时间却有很大影响——包含四个字符的关键字大约2ms就能获得结果。测试的三种算法中，NGramDistance略快于另外两个。在测试中我还发现，JaroWinkler距离算法所得到的准确结果最少。

结论

正如你看到的，利用已有的算法使得“您是不是要找”的实现细节出奇的简单。但在现实场景中，要创建支持应用、适用于领域特定关键字的词典则需要花费更多的力气。