字符串Jaccard Similarity分析与源代码
来源:互联网 发布:电影海报拼图软件 编辑:程序博客网 时间:2024/06/06 03:35
1. Jaccard Similarity 定义
定义: Jaccard Similarity是针对2个集合而言的,对于集合S和 T,Jaccard similarity: Jaccard(S,T) = |S交T| / |S并T|
例子1:
S={a,b, c}, T={b, c, d}
Jaccard(S, T)= 2/4
例子2:
R={Intel Corporation}, S={Intel Corp.}, T={Microsoft Corporation}
Jaccard(R, S)= 1/3, Jaccard(R, T)= 1/3
暂不考虑weighted Jaccard
2. 字符串Jaccard Similarity求解
对于字符串求解Jaccard Similarity,先要根据q-gram对字符串进行划分,得到子串集合。
(由于字符串进行拆分时,可能出现相同的字符串,在接下来的分析中相同的字符串只计算一次)
所以问题就转化为求2个字符串集合的交集和并集元素个数。
3. 源程序
double getJac(const char*str1, const char*str2, int step) {string s1 = str1;string s2 = str2;int m = strlen(str1);int n = strlen(str2);set<string> S;set<string> T;for(int i=0; i<=m-step; i++) {string tmp = s1.substr(i, step);S.insert(tmp);}for(int i=0; i<=n-step; i++) {string tmp = s2.substr(i, step);T.insert(tmp);}int commonNum = 0;set<string>::iterator iter1;for(iter1=S.begin();iter1!=S.end();iter1++) {int isIn = T.count(*iter1);commonNum += isIn;}int mergeNum =S.size()+T.size()-commonNum;return double(commonNum)/mergeNum;}
Remark: step是q-gram中的q。
程序实现用了STL的容器set。
假设对于aabb和aabd,按照1-gram,则会出现以下2种情况:
a) S={a,b},T={a,b,d},Jaccard(S,T)=2/3
b) S={a,a,b,b},T={a,a,b,d},Jaccard(S,T)=3/4
以上哪种情况是对的呢?
按理来说这两种都可以,在没特别说明下我们使用第一种。
a) S={a,b},T={a,b,d},Jaccard(S,T)=2/3
b) S={a,a,b,b},T={a,a,b,d},Jaccard(S,T)=3/4
以上哪种情况是对的呢?
按理来说这两种都可以,在没特别说明下我们使用第一种。
- 字符串Jaccard Similarity分析与源代码
- Jaccard similarity
- Jaccard Coefficient(Jaccard Similarity)
- 字符串函数源代码分析与比较
- 数据集成字符串匹配算法:EditDIstance,NeedlemanWunch,Soundex,Jaccard
- Jaccard相似度在竞品分析中的应用
- 推荐算法之Jaccard相似度与Consine相似度
- Lucene打分规则与Similarity模块详解
- Jaccard系数
- JQuery源代码分析与应用(一)
- asp采集器技术分析与源代码
- android系统休眠与唤醒源代码分析
- 24、HashSet与HashMap源代码分析
- JVM.dll装载过程与源代码分析
- JVM.dll装载过程与源代码分析
- Discuz的模板制作与源代码分析
- 最长子串算法分析与源代码
- Tslib源代码分析与QT应用
- Tomcat 多数据源冲突 & conf\Catalina\localhost 中进行描述符配置数据源
- 点击打开另一个页面
- 字符串编辑距离(Edit Distance)分析和源代码
- 使用正则表达式
- 相关系数传递性分析
- 字符串Jaccard Similarity分析与源代码
- 为神马两次send一次就能收到
- 硬件描述语言
- int与字节数组互相转换
- MSP430RAM内数组分配问题,实验结果
- list 异步加载图片
- Ice Cream Sandwich 4.0 Build Guidance
- Java内存对象的逃逸分析
- semaphore and mutex