计算字符串相似度算法 - Levenshtein

13年前

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


B处 会同样得到三个值,左边计算后为3,上边计算后为1,在B处 由于对应的字符为a、b,不相等,所以左上角应该在当前值的基础上加1,这样得到1+1=2,在(3,1,2)中选出最小的为B处的值。

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

C处 计算后:上面的值为2,左边的值为4,左上角的:a和e不相同,所以加1,即2+1,左上角的为3。

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

 

I处: 表示abc 和abe 有1个需要编辑的操作。这个是需要计算出来的。

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。

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

 




0 1 2 3
1 1 2 3
2 1 2 3
3 2 1 3
4 3 3 1

实现是去掉“今”,一步完成。

2.听说马上就要放假了 你听说要放假了

 

0 1 2 3 4 5 6 7
1 1 1 2 3 4 5 6
2 2 2 1 2 3 4 5
3 3 3 2 2 3 4 5
4 4 4 3 3 3 4 5
5 5 5 4 4 4 4 5
6 6 6 5 4 5 5 5
7 7 7 6 5 4 5 6
8 8 8 7 6 5 4 6
9 9 9 8 7 6 6 4

这两个字符串是:

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。

转自:http://wdhdmx.iteye.com/blog/1343856