计算字符串相似度算法——Levenshtein
来源:互联网 发布:量子通信京沪干线 知乎 编辑:程序博客网 时间:2024/06/05 03:06
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。
abcabcabe0123a1A处 b2 e3
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
abcabcabe0123a10 b2B处 e3在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
abcabcabe0123a10 b21 e3C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
abc 0123a1A处 0D处 1G处 2b2B处 1E处 0H处 1e3C处 2F处 1I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
天周一 0123今1123天2123周3213一4331
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
你听说要放假了 01234567听11123456说22212345马33322345上44433345就55544445要66654555放77765456假88876546了99987664
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。
- 计算字符串相似度算法——Levenshtein
- 计算字符串相似度算法——Levenshtein
- 计算字符串相似度算法——Levenshtein
- 计算字符串相似度算法——Levenshtein
- 计算字符串相似度算法——Levenshtein
- 计算字符串相似度算法——Levenshtein
- 计算字符串相似度算法 Levenshtein
- java两字符串相似度计算算法——Levenshtein distance编辑距离算法
- 字符串相似度Levenshtein算法
- Levenshtein Distance(LD)-计算两字符串相似度算法
- LEVENSHTEIN DISTANCE(LD)-计算两字符串相似度算法
- Levenshtein Distance(LD)-计算两字符串相似度算法
- Levenshtein Distance(LD)-计算两字符串相似度算法
- Levenshtein Distance(LD)-计算两字符串相似度算法
- Levenshtein Distance + LCS 算法计算两个字符串的相似度
- 计算字符串相似度Levenshtein的优化
- 字符串相似度算法(Levenshtein Distance)
- C# SEO整合系列之字符串相似度算法——Levenshtein Distance method
- Windows域相关命令
- 黑马程序员之ADO.NET学习笔记:通过数据集操作数据
- [记录]struts2的json插件配置详解(附demo)
- InfoPath 系列:了解INFOPATH XSN文件的格式(2)
- 使用 Struts2 JSON plugin ( Struts2 + jQuery )
- 计算字符串相似度算法——Levenshtein
- 对于非SYS用户索引建在SYS下面的删除与重建;
- 关于碧螺春的传说之一 【碧螺姑娘的故事】
- HDU 3938 Portal(离线+Kruskal+并查集)
- android中的invalidate()和postInvalidate()
- 通过Ftp put命令上传导致文件损坏的解决办法
- POJ2488
- js实现页面标题闪烁
- [Tomcat6.0源码]项目的部署