您是否尝试过word2vec模型？主要应用之一是计算相似词，因为它们在特征向量空间中非常接近。因此，除了High_school和H_school，也secondary_school，public_school也可以作为更接近的词获得。重要的是，这种无监督学习模型需要大量的句子。

参考：gensim，java 中的 word2vec

为了优化字符串距离阈值以最大限度地提高数据中的分类准确性，如果您还没有黄金标准数据集，您将需要标记一些数据。根据您的情况，这可能就像您自己手动将字符串对标记为same或notsame一样简单。如果您需要更强大的数据，您显然希望使用多个标记器并使用某种程序来确保编码器间的高可靠性（我在此答案中的数据质量下详细讨论了这一点）。

接下来，像以前一样在此数据上计算字符串距离。创建一个阈值向量，例如 ，thresholds <- seq(from = 0, to = 20, by = 1)然后为每个阈值计算您在标记数据集上的性能指标（例如，准确度、精确度、召回率）。选择最大化所需指标的阈值。