寻求检测易被人类混淆的字符串集合的算法方案

想问问有没有能检测姓名这类字符串里人类易混淆配对的算法？先看几个实际案例你就明白我要啥了：

1. Joe Average 2. Joe Beverage 3. Michael Andersen 4. Michael Anderson 5. Micheal Anderson 6. Steve Cook 7. Steve Look 8. Xena: Warrior Princess

在这个案例里：

• 3、4、5这三组极易被混淆
• 6、7次之
• 1、2几乎不会被混淆
• 8完全没有匹配的混淆项

如果做集合级检测难度太大，只做两两配对检测也完全可以接受。

除了上面的例子，还要结合人类的视觉习惯来调整算法逻辑：

字符位置的影响 #

人类更容易注意到字符串/单词开头的字符差异，中间的差异反而不容易发现，比如：

1. Pink Floyd 2. Bink Floyd 3. Rolling Stones 4. Rolllng Stones

这里3和4的差异在单词中间，比1和2开头的差异难察觉得多。

字符串长度的影响 #

长字符串里的字符差异比短字符串更难被发现，比如：

1. Florence Griffith-Joyner 2. Florence Grifflth-Joyner 3. J. Lo 4. J. Law

1和2的差异藏在长串中间，远不如3和4的短串差异显眼。

另外还要结合人类阅读方式、眼球运动这类容易引发误识别的因素。

我试过Levenshtein编辑距离算法，但它经常会把人类绝对不会混淆的配对判定为相似，所以想找替代方案。

为了降低复杂度，可以做这些假设：

• 使用等宽显示字体
• 仅做逐字符对比
• 字符集范围小，且大部分字符的差异都很明显

如果会导致代码量激增，就尽量避开这些场景：

• 超出逐字符对比的范围（比如比较小写rn和小写m）
• 处理完整Unicode字符集及其所有同形异义字符（homoglyphs）

内容的提问来源于stack exchange，提问作者forthrin