求与基于压缩差异的Sprachidentifikation语言识别算法类似的算法

你提到的算法属于**基于压缩的语言识别（Compression-Based Language Identification）**范畴，核心是利用同语言文本拼接后冗余度更高、压缩增量更小的特性判断语言，以下是几个逻辑高度相似的同类算法：

• 标准化压缩距离（NCD）语言识别
  这是这类方法的通用标准化形式，你的算法其实是NCD的简化变体。NCD的计算公式为：
  NCD(x,y) = (C(x+y) - min(C(x), C(y))) / max(C(x), C(y))
  其中C(s)表示字符串s的压缩长度。你的方法通过C(Ti+X) - C(Ti)判断，相当于假设C(Ti)远大于C(X)时的简化计算——本质都是衡量待识别文本X与基准文本Ti的“压缩相似度”，相似度越高（同语言），压缩增量越小。

• LZ系列压缩算法衍生的语言识别
  ZIP算法底层依赖LZ77+霍夫曼编码，有些同类算法直接使用纯LZ77/LZ78的压缩长度做判断：

  1. 预先统计不同语言基准文本的LZ压缩长度
  2. 将待识别文本与各基准文本拼接后计算LZ压缩长度
  3. 选择压缩增量最小的语言作为结果
     逻辑和你的算法完全一致，只是替换了压缩算法的具体实现，核心仍是利用同语言文本的冗余关联性。

• PPM压缩驱动的语言识别
  PPM（Prediction by Partial Matching）是基于上下文预测的压缩算法，对自然语言的上下文关联性捕捉更精准。这类算法同样采用“基准文本单独压缩长度”与“基准+待识别文本压缩长度”的差值做判断，由于PPM对同语言上下文的建模更高效，部分场景下识别准确率比ZIP类方法更高，核心逻辑和你描述的Sprachidentifikation完全匹配。

这类算法的共性都是无需人工提取语言特征，完全依赖压缩算法对文本冗余度的自动捕捉，属于无监督语言识别的分支，和你提到的算法思路同源。

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