Input
Input string = "Weeelcommme tttto Unnnnnicommmerce";
期望的输出
Welcome to Unicommerce
这与从字符串中删除重复项不同，因为我们还需要">e"和">m"。使用HashSet删除重复项只会给我们独特的元素。
有很多方法可以自动完成，所有这些都需要某种字典。一个简单的算法是三元组频率分析。我将在下面描述一个例子。
字典
考虑字典
1. hello
2. he
3. my
4. name
输入
现在考虑输入heello mmy nnamme。
构建三元组
我们需要构建字典中每个元素的三元组。
1. hello = hel ell llo
2. he = he
3. my = my
4. name = nam ame
然后我们拆分每个单词并构建其三元组
1. heello = hee eel ell llo
2. mmy = mmy
3. nnamme = nna nam amm mme
我们构建了一个向量并计算两者之间的cos相似性。
旁注
在比较之前，所有三元组都散列成唯一的整数，进一步的三元组应被视为整数。
比较
考虑函数z(v1, v2) = c其中 z 计算 v1 和 v2 的余弦相似性。然后v1 = (hee, eel, ell, llo)和v2 = (hel, ell,llo, 0).现在余弦相似性将告诉这些向量有多"相似"。对字典中的所有元素执行此操作并选择余弦相似性最接近 1 的单词将是最佳匹配的单词。我不会做算术，因为它很长，但在这里你可以找到相似性的公式。
其他注意事项
这种三元组频率方法在语言处理中非常常用，以确定给定文本的语言，并应用于早期的语音到文本应用程序。我希望你从上面看到三元组如何帮助你找到答案。我认为您遇到的唯一问题是找到字典，因为"Unicommerce"不是英语词典中的单词。
您可以将折叠单词的字典哈希维护到它们的完整对应项，并使用简单的算法从候选单词中删除重复的字母。
a:[a]
aple:[apple]
ardvark:[aardvark]
to:[to/too]
unicomerce:[Unicommerce]
welcome:[welcome]
执行转换时，首先将句子拆分为单词，然后通过删除重复字母来创建查找引用，然后为每个消除重复的单词检索扩展的单词。
因此，"Weeelcommme tttto Unnnnnicommmerce"首先变成["welcome"，"to"，"unicomerce"]，每个成员都从你的字典中扩展为"Welcome to Unicommerce"或"Welcome too Unicommerce"。 你会有一个不完美的解决方案，可以使用语法检查器来帮助消除单词的歧义，并且最终可能会得到字典中找不到的单词，但这至少是一个可行的起点。