Java 實現 Google「您是不是要找」拼寫糾錯功能

應用場景

使用者輸入關鍵字時常因拼寫錯誤導致搜尋無結果，造成流失。Google 的「您是不是要找」功能能根據編輯距離推薦相近詞彙。本文展示如何利用 Apache Lucene SpellChecker 快速整合此功能。

核心算法：編輯距離

• Levenshtein：最少插入/刪除/替換次數（預設）。
• Jaro-Winkler：適合記錄連結、人名比對。
• NGram：概率模型，效能略優。

Lucene SpellChecker 採策略模式封裝上述算法，預設 Levenshtein，精度閾值 0.5（可調 0~1）。

快速上手範例

依賴

lucene-core-3.0.0.jar
lucene-spellchecker-3.0.0.jar

代碼

// 1. 建立索引目錄
Directory dir = new RAMDirectory(); // 或 FSDirectory

// 2. 實例化 SpellChecker
SpellChecker sp = new SpellChecker(dir);

// 3. 載入詞典（每行一詞）
sp.indexDictionary(new PlainTextDictionary(new File("dictionary.txt")));

// 4. 查詢建議
String query = "Arnold Swuazeneger";
String[] suggestions = sp.suggestSimilar(query, 5); // 取前 5 筆

System.out.println("Your Term: " + query);
for (String w : suggestions) System.out.println("Did you mean: " + w);

dictionary.txt 範例

Seth MacFarlane
Arnold Schwarzenegger
Scarlett Johansson
Rodrigo Santoro
java
lava
bullet

輸出

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

效能基準測試

結論

• 查詢時間極短（~25ms），與詞典量關係不大；索引時間隨詞典量線性增長。
• 關鍵字長度影響查詢時間：4 字元 ~2ms，28 字元 ~31ms。
• NGram 略快於 Levenshtein/JaroWinkler；JaroWinkler 準確率較低。
• 精度設定 0.7~0.75 通常效果最佳，過高可能無結果。

實務建議

核心難點不在算法，而在於建立「領域專屬詞典」：電子商務需包含所有商品名、品牌、同義詞；定期從搜尋日誌挖掘高頻錯拼詞補充詞典，才能真正提升轉換率。