文本相似度计算器 使用指南

「kitten」 与 「sitting」 编辑距离 3 → 相似度约 1−3/7≈0.57。

核心功能

• 计算两段文本的相似度并给出百分比
• 分词方式可选按字符（中文适用）、按单词（英文适用）、2-gram、3-gram
• 支持完整比较与逐字符差异高亮两种模式
• 用于查重、改写比对、版本差异检查

适用场景

• 用编辑距离/余弦算两段文本相似度。
• 排查重复录入：比对用户提交的相似条目，找出可能是同一条内容的重复数据，辅助去重。

使用步骤

1. 在文本 A 与文本 B 分别粘贴内容
2. 选择分词方式：中文用按字符或 2-gram，英文用按单词
3. 选择比较模式：看整体相似度用完整比较，找差异位置用逐字符高亮
4. 点计算得到相似度
5. 同一份内容换分词方式结果会变，横向比较时须固定一种

实用技巧

• 用编辑距离/余弦算两段文本相似度。
• 排查重复录入：比对用户提交的相似条目，找出可能是同一条内容的重复数据，辅助去重。

常见问题

哪种算法好？

短文本用 Levenshtein，长文本用分词+余弦。

编辑距离和余弦相似度怎么选？

编辑距离衡量「改成一样要多少步」，适合拼写纠错、短文本与近似匹配；余弦相似度衡量「词袋分布有多接近」，适合长文本与主题比较，但不关心词序，中文还需先分词。实际系统常两者结合：先按相似度粗筛，再用编辑距离精排。