计算字符串相似度算法——Levenshtein
2016-02-05 17:33
375 查看
计算字符串相似度算法——Levenshtein
博客分类:我喜欢的算法
levenshtein相似度编辑距离算法实现
0.这个算法实现起来很简单
1.百度百科介绍:
Levenshtein 距离,又称编辑距离,指的是两个字符串之间,由一个转换成另一个所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符,插入一个字符,删除一个字符。
编辑距离的算法是首先由俄国科学家Levenshtein提出的,故又叫Levenshtein Distance。
2.用途
模糊查询3.实现过程
a.首先是有两个字符串,这里写一个简单的 abc和abe
b.将字符串想象成下面的结构。
A处 是一个标记,为了方便讲解,不是这个表的内容。abc | a | b | c | |
abe | 0 | 1 | 2 | 3 |
a | 1 | A处 | ||
b | 2 | |||
e | 3 |
c.来计算A处 出得值
它的值取决于:左边的1、上边的1、左上角的0.按照Levenshtein distance的意思:
上面的值和左面的值都要求加1,这样得到1+1=2。
A处 由于是两个a相同,左上角的值加0.这样得到0+0=0。
这是后有三个值,左边的计算后为2,上边的计算后为2,左上角的计算为0,所以A处 取他们里面最小的0.
d.于是表成为下面的样子
abc | a | b | c | |
abe | 0 | 1 | 2 | 3 |
a | 1 | 0 | ||
b | 2 | B处 | ||
e | 3 |
e.于是表就更新了
abc | a | b | c | |
abe | 0 | 1 | 2 | 3 |
a | 1 | 0 | ||
b | 2 | 1 | ||
e | 3 | C处 |
在(2,4,3)中取最小的为C处 的值。
f.于是依次推得到
a | b | c | ||
0 | 1 | 2 | 3 | |
a | 1 | A处 0 | D处 1 | G处 2 |
b | 2 | B处 1 | E处 0 | H处 1 |
e | 3 | C处 2 | F处 1 | I处 1 |
同时,也获得一些额外的信息。
A处: 表示a 和a 需要有0个操作。字符串一样
B处: 表示ab 和a 需要有1个操作。
C处: 表示abe 和a 需要有2个操作。
D处: 表示a 和ab 需要有1个操作。
E处: 表示ab 和ab 需要有0个操作。字符串一样
F处: 表示abe 和ab 需要有1个操作。
G处: 表示a 和abc 需要有2个操作。
H处: 表示ab 和abc 需要有1个操作。
I处: 表示abe 和abc 需要有1个操作。
g.计算相似度
先取两个字符串长度的最大值maxLen,用1-(需要操作数除maxLen),得到相似度。例如abc 和abe 一个操作,长度为3,所以相似度为1-1/3=0.666。
4.代码实现
直接能运行, 复制过去就行。Java代码
package code;
/**
* @className:MyLevenshtein.java
* @classDescription:Levenshtein Distance 算法实现
* 可以使用的地方:DNA分析 拼字检查 语音辨识 抄袭侦测
* @author:donghai.wan
* @createTime:2012-1-12
*/
public class MyLevenshtein {
public static void main(String[] args) {
//要比较的两个字符串
String str1 = "今天星期四";
String str2 = "今天是星期五";
levenshtein(str1,str2);
}
/**
* DNA分析 拼字检查 语音辨识 抄袭侦测
*
* @createTime 2012-1-12
*/
public static void levenshtein(String str1,String str2) {
//计算两个字符串的长度。
int len1 = str1.length();
int len2 = str2.length();
//建立上面说的数组,比字符长度大一个空间
int[][] dif = new int[len1 + 1][len2 + 1];
//赋初值,步骤B。
for (int a = 0; a <= len1; a++) {
dif[a][0] = a;
}
for (int a = 0; a <= len2; a++) {
dif[0][a] = a;
}
//计算两个字符是否一样,计算左上的值
int temp;
for (int i = 1; i <= len1; i++) {
for (int j = 1; j <= len2; j++) {
if (str1.charAt(i - 1) == str2.charAt(j - 1)) {
temp = 0;
} else {
temp = 1;
}
//取三个值中最小的
dif[i][j] = min(dif[i - 1][j - 1] + temp, dif[i][j - 1] + 1,
dif[i - 1][j] + 1);
}
}
System.out.println("字符串\""+str1+"\"与\""+str2+"\"的比较");
//取数组右下角的值,同样不同位置代表不同字符串的比较
System.out.println("差异步骤:"+dif[len1][len2]);
//计算相似度
float similarity =1 - (float) dif[len1][len2] / Math.max(str1.length(), str2.length());
System.out.println("相似度:"+similarity);
}
//得到最小值
private static int min(int... is) {
int min = Integer.MAX_VALUE;
for (int i : is) {
if (min > i) {
min = i;
}
}
return min;
}
}
5.猜测原理
为什么这样就能算出相似度了?首先在连续相等的字符就可以考虑到
红色是取值的顺序。
1.今天周一 天周一
天 | 周 | 一 | ||
0 | 1 | 2 | 3 | |
今 | 1 | 1 | 2 | 3 |
天 | 2 | 1 | 2 | 3 |
周 | 3 | 2 | 1 | 3 |
一 | 4 | 3 | 3 | 1 |
2.听说马上就要放假了 你听说要放假了
你 | 听 | 说 | 要 | 放 | 假 | 了 | ||
0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | |
听 | 1 | 1 | 1 | 2 | 3 | 4 | 5 | 6 |
说 | 2 | 2 | 2 | 1 | 2 | 3 | 4 | 5 |
马 | 3 | 3 | 3 | 2 | 2 | 3 | 4 | 5 |
上 | 4 | 4 | 4 | 3 | 3 | 3 | 4 | 5 |
就 | 5 | 5 | 5 | 4 | 4 | 4 | 4 | 5 |
要 | 6 | 6 | 6 | 5 | 4 | 5 | 5 | 5 |
放 | 7 | 7 | 7 | 6 | 5 | 4 | 5 | 6 |
假 | 8 | 8 | 8 | 7 | 6 | 5 | 4 | 6 |
了 | 9 | 9 | 9 | 8 | 7 | 6 | 6 | 4 |
去掉“你”,加上“马上就”,总共四步操作。
3.还是没弄懂
6.结束
算法优化空间很大。最后也没弄懂为什么这样算能算出相似度。
7
顶
0
踩
分享到:
StringUtils源码理解(下) | StringUtils源码理解(中)有点意思的方法
2012-01-13 00:42
浏览 31103
评论(11)
分类:编程语言
相关推荐
评论
11 楼 xu-ch 2013-07-20
今天面试,遇到这题,求出了相似度,面试官问我算法原理是什么,悲催的我没有答上来
10 楼 flywangfei 2013-06-08
你是创新工场的么?
9 楼 beike 2013-03-30
mark
8 楼 yangxiutian 2012-01-13
算法、数据结构 很重要 可是没掌握啊
7 楼 wdhdmx 2012-01-13
wangchen.ily 写道
g.计算相似度
先取两个字符串长度的最大值maxLen,用需要操作数除maxLen,得到相似度。
例如abc 和abe 一个操作,长度为3,所以相似度为1/2=0.666
有问题吧:
例如abc和abe maxLen=3 需要操作数是1
应该是1/3=0.333
谢谢提出来,大意了。我已经改回来了。
6 楼 wangchen.ily 2012-01-13
g.计算相似度
先取两个字符串长度的最大值maxLen,用需要操作数除maxLen,得到相似度。
例如abc 和abe 一个操作,长度为3,所以相似度为1/2=0.666
有问题吧:
例如abc和abe maxLen=3 需要操作数是1
应该是1/3=0.333
5 楼 wwsnowfoxww 2012-01-13
没有看懂什么意思
4 楼 wdhdmx 2012-01-13
我写错了,不是相似度,是 “最少编辑操作次数”。 为什么用这个方法能算出最少编辑次数,
相似度这个我理解了,已经。
3 楼 ansjsun 2012-01-13
Java代码
System.out.println("字符串\""+str1+"\"与\""+str2+"\"的比较");
//取数组右下角的值,同样不同位置代表不同字符串的比较
System.out.println("差异步骤:"+dif[len1][len2]);
//计算相似度
float similarity =1 - (float) dif[len1][len2] / Math.max(str1.length(), str2.length());
我觉得吧...首先他是一个参考前面过程的算法...当到了最后就是dif[len1][len2]的时候..就是最终的差异值....这个差一值越大肯定就越不一样
然后根据..差异值比上文本长度.. 被1减去 ..所以越趋近于1..说明文本越相似...
2 楼 liuningbo 2012-01-13
尴尬·
1 楼 ansjsun 2012-01-13
最后一句我彻底凌乱了
相关文章推荐
- 微信支付配置信息,JSAPI接口,H5调用微信js接口支付,微信公众号支付
- MySQL启动过程
- WORDPRESS第九课WORDPRESS核心文件功能及其载入
- Python笔记:使用pywin32处理excel文件
- 分布式CAP理论
- ubuntu运行genymotion出错 error while loading shared libraries: libgstapp-0.10.so.0: cannot open shared
- Linux学习笔记:Nagios的安装
- Hadoop分布式文件系统
- 第二届蓝桥杯C/C++组第九题 购物(递归)
- WORDPRESS第八课WORDPRESS中的COOKIE机制
- 二分法求平方根
- 学习日记之模板方法模式和 Effective C++
- WORDPRESS第七课WORDPRESS源代码研究-前台运行流程
- Writing and Optimizing ARM Assembly Code 《ARM...》Chapter-6
- css3 javascript 实现菜单按钮特效
- codevs 1907:方格取数3
- 简易服务器搭建(get post方法)
- Dijkstra最短路算法
- node.js的国内源
- 最适合新手的vim教程