目標很明確：

從混雜中文、英文、符號的文字中，穩定找出已知的 Family 名稱。

像這些：

• ARGOS_V3
• ARGOS V3
• ARGOS-V3
• ARGOSV3
• ARTEMIS2-BU6
• ATLAS4.0
• GUIANA-CLX

都希望最後能對到同一份 canonical family 資料。

一、問題背景

很多人第一直覺會想：

• 用 jieba 斷詞
• 再從 token 裡面找 family

但實際上會遇到幾個問題：

1. Family 名稱不一定只有一種寫法

例如原始資料是：ARGOS_V3

但實際文本裡可能出現：

• ARGOS_V3
• ARGOS V3
• ARGOS-V3
• ARGOSV3

2. Family 內可能含特殊符號

例如：

• ARTEMIS2-BU6
• ATLAS4.0
• GUIANA-CLX

這些符號對一般 tokenizer 來說，常常會被當作分隔符。

3. 就算加進 jieba 詞典，也不保證所有變形都直接命中

例如 canonical 是：ARGOS_V3
但輸入寫成：ARGOS V3

這種情況即使你 jieba.add_word("ARGOS_V3")，也不會自動幫你匹配空白版。

二、核心思路

這個問題最穩定的解法，不是手工列一堆 alias，而是：

只保留 canonical family

例如：

families = [
    "ARGOS_V3",
    "ARTEMIS2-BU6",
    "GUIANA-CLX",
    "ATLAS4.0",
]

然後配合這三個步驟：

1. 把 canonical family 加進 jieba
2. 對文字做斷詞
3. 對 token 或 token chunk 做 normalize 後比對

三、為什麼不用人工定義一堆 alias？

你可能會想把資料寫成：

{
    "ARGOS_V3": "ARGOS_V3",
    "ARGOS V3": "ARGOS_V3",
    "ARGOS-V3": "ARGOS_V3",
    "ARGOSV3": "ARGOS_V3",
}

這樣當然可以，但問題是：

• 維護成本高
• 新 family 進來要一直補變形
• 不 scalable

更好的方式是：

只存 canonical，其他形式交給 normalize 處理。

四、Normalize 是什麼？

Normalize 的目的，是把看起來不同、但其實是同一個 family 的寫法，轉成同一個 key。

例如：

import re

def norm(s):
    return re.sub(r'[^a-z0-9]+', '', s.lower())

這個規則會：

• 全部轉小寫
• 移除非英數字元

所以：

norm("ARGOS_V3")   # argosv3
norm("ARGOS V3")   # argosv3
norm("ARGOS-V3")   # argosv3
norm("ARGOSV3")    # argosv3

都會收斂成同一個值：argosv3

五、為什麼還需要 jieba？

因為你的文本通常不是只有 family，還混著很多內容，例如：

"project__ARGOS V3__AAPL check"

你需要先把整段字串切成 token，
再從 token 中找可能的 family。

jieba 的角色就是：

先提供一個可操作的 token 序列。

六、為什麼只做 single token lookup 不夠？

假設你有：

text = "project__ARGOS V3__AAPL check"

在 jieba 裡可能會切成：

['project', '__', 'ARGOS', ' ', 'V3', '__', 'AAPL', ' ', 'check']

這時如果你只查單一 token：

• ARGOS -> 不是 family
• V3 -> 不是 family

自然就抓不到 ARGOS_V3。

七、N-gram 拼接的作用

解法就是：

不只看單一 token，還看相鄰 token 拼起來的結果。

像：

['ARGOS', ' ', 'V3']

拼接後變成：

"ARGOS V3"

再做 normalize：

norm("ARGOS V3") -> "argosv3"

就能對到 canonical：ARGOS_V3

八、完整可用程式碼

下面是一個夠短、夠實用的版本。

import re
import jieba

def norm(s):
    return re.sub(r'[^a-z0-9]+', '', s.lower())

def find_families(text, families, max_window=5):
    # 把 canonical family 加進 jieba
    for f in families:
        jieba.add_word(f)

    # normalize lookup: normalized_key -> canonical_family
    lookup = {norm(f): f for f in families}

    # jieba 斷詞
    tokens = jieba.lcut(text, HMM=False)

    hits = []

    # 1. 先檢查單一 token
    for t in tokens:
        key = norm(t)
        if key in lookup:
            hits.append(lookup[key])

    # 2. 再檢查相鄰 token chunk
    for i in range(len(tokens)):
        for j in range(i + 2, min(i + max_window + 1, len(tokens) + 1)):
            chunk = ''.join(tokens[i:j])
            key = norm(chunk)
            if key in lookup:
                hits.append(lookup[key])

    # 去重但保留順序
    return list(dict.fromkeys(hits))

九、使用範例

text = "project__ARGOS V3__AAPL check"

十、實測得到的關鍵結論

根據前面的實驗，可以整理成這幾點：

1. jieba.add_word() 在你的環境裡，對 - _ . 類 family 是有幫助的

例如：

• ARTEMIS2-BU6
• argos_v3
• ATLAS4.0
• GUIANA-CLX

都能保留成單一 token。

2. 空白形式不一定能直接保護

例如：ARGOS V3

常常會被切成：

所以不能只做 single token lookup。

3. 只要做 token chunk 拼接，多 token family 仍然能找回來

例如：

'ARGOS' + ' ' + 'V3'

拼接後再 normalize，就能 match 到：ARGOS_V3

十一、這套方法的優點

優點 1：不用人工列一堆 alias

只要維護 canonical family list 即可。

優點 2：能容忍使用者輸入不同分隔方式

像：

• _
• -
• 空白
• 連寫

都能收斂比對。

優點 3：能直接用在混雜文本

例如：

• 測試名稱
• 規格字串
• log
• ticket title
• command 描述

都能套。

推薦hahow線上學習python: https://igrape.net/30afN