将SMS片段组合成原始邮件

Question

我们正在处理来自某些不支持SMS连接的运营商（Sprint）的短信。在某些情况下，我们会收到以随机顺序出现的消息，并且我想将它们拼接在原始文本中。每次都明显不同，但这里是一条示例消息。

以下是我们收到他们

收到第一个顺序的消息，应该是3 - 96个字符

以尽可能高的水平上进行我的工作需要。我有 在所有ABC调查中收到100。

收到第二，应该是1 - 159个字符

我已经在这个部门作为一个部件制造商自2014年10月，我 上午在优秀的客户服务团队。我也收到了每 季度，我已经

收到第三，应该是第2 - 157个字符

资格获批。我也多次获得了顶级表演者 以及13次在总统俱乐部。我在 非常精通所有的应用程序

我想重新整理这些进入原文

自2014年10月我已经在这个部门作为窗口小部件制造商，我 是上优秀的客户服务团队。我还收到了我已经符合条件的每个 季度。我也曾多次在总统俱乐部获得过顶级表演者 13次。我是 非常精通所有应用程序需要执行我的工作在 尽可能最高的水平。所有ABC调查中我都收到了100份。

有没有人有如何做到这一点的想法？

Answer 1

一般而言，一个天真的方法是使用语言模型来决定哪个排序最“自然”。 我无法提供任何代码，因为您不提供任何有关此框架的详细信息。

您应该使用训练在类似于消息的文本语料库上的模型（就词汇而言，拼写等）。 生成所有可能的排序，然后测量每个模型的困惑程度。 （生成所有的排列是O(n!)，这或多或少是最坏的情况，但对于小的SMS（碎片的数量），它应该没问题。 但是，如果这是一个问题，你可以建立一个片段的矩阵，并使用维特比的算法找到最佳路径，对语言模型进行增量查找。你必须以某种方式执行所有碎片出现的路径。）

Answer 2

我从lenz的答案中提出了一个建议来产生所有的排列，并试图使用Conditional Probabilities from Azure，但收效甚微。该服务仍处于测试阶段，当然对我们的测试信息没有帮助。进入的短信会有很大差异，所以我们似乎不太可能创建模型并测试可能的排序。

在我们的特殊情况下，我们确定运营商（Sprint）基于空格分解消息，并且每条消息最多只能发送160个字符。根据这些数据，我们生成了每条消息的可能排序，以查看运营商是否会以这种方式破坏消息。根据以上3条消息，这些消息有6种可能的排序顺序。 （下同）

1-2-3

1 -> 2: 96 + " I" = 98. 98 < 160 - Not a valid possibility 
2 -> 3: 159 characters + " been" = 164. 164 >= 160 - OK 

1-3-2

1 -> 3: 96 characters + " been" = 101. 101 < 160 - Not a valid possibility 
3 -> 2: 157 characters + " I" = 159. 159 < 160 - Not a valid possibility 

2-1-3

2 -> 1: 159 characters + " needed" = 166. 166 >= 160 - OK 
1 -> 3: 96 characters + " been" = 101. 101 < 160 - Not a valid possibility 

2-3 -1

2 -> 3: 159 characters + " been" = 164. 164 >= 160 - OK 
3 -> 1: 157 characters + " needed" = 164. 164 >= 160 - OK 

3-2-1

3 -> 2: 157 characters + " I" = 159. 159 < 160 - Not a valid possibility  
2 -> 1: 159 characters + " needed" = 166. 166 >= 160 - OK` 

3-1-2

3 -> 1: 157 characters + " needed" = 164. 164 >= 160 - OK 
1 -> 2: 96 + " I" = 98. 98 < 160 - Not a valid possibility 

你可以从上面的计算中看到的唯一有效组合是2-3-1。其他组合将打破不同。在我们有1种可能性的情况下，我们用它作为“答案”。

如果我们有超过1种可能性的场景，我们使用了一些基于大写和标点符号的加权算法来寻找最佳拟合。如果在此之后我们仍然无法确定答案，我们会根据收到的消息的顺序获得最高的加权结果（它们大多数时间按正确的顺序排列）。