Oracle数据库如何计算非ASCII字符的编辑距离与相似度？

在使用Oracle数据库的UTL_MATCH.EDIT_DISTANCE和UTL_MATCH.EDIT_DISTANCE_SIMILARITY函数时（两者对应未归一化和归一化的Levenshtein距离），发现其输出与标准实现存在明显差异，尤其在处理非ASCII特殊字符时表现异常。

标准归一化Levenshtein距离的计算公式为：

1 - edit_distance / len(longer_string)

但Oracle的归一化结果与该公式输出不完全匹配，甚至未归一化的编辑距离值也常不符合预期。

测试结果对比 #

以下是Oracle的输出（已将归一化值从[0,100]缩放至[0,1]）与标准算法预期结果的对比：

测试SQL语句 #

用于获取上述结果的SQL语句如下（替换'a'和'b'为对应测试字符串）：

SELECT UTL_MATCH.EDIT_DISTANCE('a', 'b') FROM dual;
SELECT UTL_MATCH.EDIT_DISTANCE_SIMILARITY('a', 'b') FROM dual;

异常行为分析 #

若将每个特殊字符视为两个普通字符，Oracle的所有结果看似合理：德语变音符号存在"ae"/"oe"/"ue"这类常见替代形式，但法语特殊字符并无类似通用替代规则。

更奇怪的是，将"Müller"分别与"Mller"、"Muller"、"Mueller"对比时，三者的编辑距离均为2，说明Oracle并未将"ü"简单转换为"ue"处理，这显然不符合预期。

疑问 #

Oracle对非ASCII字符的这种处理方式是否有先例或科学依据？目前看来更像是随机行为甚至bug。

免责声明：该行为也可能与使用的DBVisualizer（SQL客户端）或Oracle数据库版本有关，受环境安装限制，暂时无法排除该变量影响。

内容的提问来源于stack exchange，提问作者PixelMaster