Fuzzy Search

La búsqueda difusa es una técnica de búsqueda tolerante a variaciones ortográficas que empareja resultados aproximados basándose en distancia de edición, n-gramas o algoritmos fonéticos.

Propósito

Devolver resultados relevantes incluso cuando la entrada del usuario contiene erratas o variantes, mejorando la experiencia de búsqueda.

Mecanismo

Métodos habituales: emparejamiento por umbral de distancia Levenshtein, índices invertidos de n-gramas, aceleración con BK-tree, emparejamiento fonético Soundex/Metaphone y el algoritmo Bitap. Implementaciones: fuse.js, la consulta fuzzy de Elasticsearch y otros.

Casos de uso

Corrección ortográfica en buscadores
Autocompletado en línea de comandos
Consultas difusas en bases de datos
Búsqueda de código (tolerante a erratas)

Ejemplos

entrada

recieve → receive

Output

Matches receive (distance 2)

Spelling correction

Errores comunes

Overly loose thresholds cause too many false matches: Adjust thresholds dynamically based on word length

Términos relacionados

Levenshtein Distance

La distancia de Levenshtein es el número mínimo de inserciones, eliminaciones y sustituciones de un solo carácter necesarias para hacer idénticas dos cadenas.

Soundex es un algoritmo fonético que codifica los nombres en inglés por su pronunciación como una letra más tres dígitos, dando a los nombres de sonido similar el mismo código; se usa para la recuperación difusa de nombres de personas.

Un N-grama es una secuencia de N unidades consecutivas (caracteres o palabras) extraída de un texto, usada en modelos de lenguaje, similitud y análisis de texto.

La distancia de edición es el mínimo número de operaciones de edición de un solo carácter (inserción, borrado, sustitución) necesarias para transformar una cadena en otra; la distancia de Levenshtein es su forma más común.

References