我有一个短字符串列表，每个字符串都标识一个城市。拼写错误很常见。下面的示例显示了其中一些短字符串，以及它们应该匹配的正确城市。

我想训练一个接受输入字符串的分类器，然后预测最有可能被识别的城市。然而，有一个微妙之处在于，正确的城市不仅取决于输入字符串，还取决于其他因素，例如人的当前位置以及正在写作的人。

例如，以下字符串可能表示基于这些其他特征的不同城市：

正如我们所看到的，相同的输入字符串可能意味着不同的实际城市，具体取决于编写者以及作者当前所在的位置。这意味着仅使用 tf-idf 进行模糊搜索不足以做出正确的预测。

我正在考虑两种不同的方法来实现适当的分类器：

• 使用字符 n-gram 作为特征 + 其他分类特征的提升树
• 使用字母卷积+其他分类特征的神经网络

这里的一个优点是字符串的大小总是有限的（最多大约 50/60 个字符）。

对于提升树的情况，我特别苦苦挣扎的一件事是，如何让模型了解字符 n-gram 的顺序？例如，序列mst之后的序列ams表示amsterdam，但我不知道如何给模型一种序列感，这个序列可能在字符串中的任何位置？（例如，如果输入字符串是，aamsterdam那么这个序列将在位置 2，而不是位置 1）。

所以简而言之，我会寻找分解和建模输入字符串的最佳方式的指导，以便将其转换为可被提升树或（卷积？）神经网络使用的特征，以及其他分类输入特征.

我显然不是在这里寻找一个完整的解决方案，只是一般指导将不胜感激。