随笔-153  评论-235  文章-19  trackbacks-0

    两字符串相似度计算方法有好多,现对基于编距的算法的相似度计算自己总结下。

 

    简单介绍下Levenshtein Distance(LD):LD 可能衡量两字符串的相似性。它们的距离就是一个字符串转换成那一个字符串过程中的添加、删除、修改数值。

    举例:

  • 如果str1="test",str2="test",那么LD(str1,str2) = 0。没有经过转换。
  • 如果str1="test",str2="tent",那么LD(str1,str2) = 1。str1的"s"转换"n",转换了一个字符,所以是1。

如果它们的距离越大,说明它们越是不同。

 

     Levenshtein distance最先是由俄国科学家Vladimir Levenshtein在1965年发明,用他的名字命名。不会拼读,可以叫它edit distance(编辑距离)。

 

    Levenshtein distance可以用来:

  • Spell checking(拼写检查)
  • Speech recognition(语句识别)
  • DNA analysis(DNA分析)
  • Plagiarism detection(抄袭检测)

LD用m*n的矩阵存储距离值。算法大概过程:

  1. str1或str2的长度为0返回另一个字符串的长度。
  2. 初始化(n+1)*(m+1)的矩阵d,并让第一行和列的值从0开始增长。
  3. 扫描两字符串(n*m级的),如果:str1[i] == str2[j],用temp记录它,为0。否则temp记为1。然后在矩阵d[i][j]赋于d[i-1][j]+1 、d[i][j-1]+1、d[i-1][j-1]+temp三者的最小值。
  4. 扫描完后,返回矩阵的最后一个值即d[n][m]

最后返回的是它们的距离。怎么根据这个距离求出相似度呢?因为它们的最大距离就是两字符串长度的最大值。对字符串不是很敏感。现我把相似度计算公式定为1-它们的距离/字符串长度最大值。

 

    源码:

package com.chenlb.algorithm;

/**
 * 编辑距离的两字符串相似度
 * 
 * 
@author chenlb 2008-6-24 下午06:41:55
 
*/
public class Similarity {

    
private int min(int one, int two, int three) {
        
int min = one;
        
if(two < min) {
            min 
= two;
        }
        
if(three < min) {
            min 
= three;
        }
        
return min;
    }
    
    
public int ld(String str1, String str2) {
        
int d[][];    //矩阵
        int n = str1.length();
        
int m = str2.length();
        
int i;    //遍历str1的
        int j;    //遍历str2的
        char ch1;    //str1的
        char ch2;    //str2的
        int temp;    //记录相同字符,在某个矩阵位置值的增量,不是0就是1
        if(n == 0) {
            
return m;
        }
        
if(m == 0) {
            
return n;
        }
        d 
= new int[n+1][m+1];
        
for(i=0; i<=n; i++) {    //初始化第一列
            d[i][0= i;
        }
        
for(j=0; j<=m; j++) {    //初始化第一行
            d[0][j] = j;
        }
        
for(i=1; i<=n; i++) {    //遍历str1
            ch1 = str1.charAt(i-1);
            
//去匹配str2
            for(j=1; j<=m; j++) {
                ch2 
= str2.charAt(j-1);
                
if(ch1 == ch2) {
                    temp 
= 0;
                } 
else {
                    temp 
= 1;
                }
                
//左边+1,上边+1, 左上角+temp取最小
                d[i][j] = min(d[i-1][j]+1, d[i][j-1]+1, d[i-1][j-1]+temp);
            }
        }
        
return d[n][m];
    }
    
    
public double sim(String str1, String str2) {
        
int ld = ld(str1, str2);
        
return 1 - (double) ld / Math.max(str1.length(), str2.length()); 
    }
    
    
public static void main(String[] args) {
        Similarity s 
= new Similarity();
        String str1 
= "chenlb.blogjava.net";
        String str2 
= "chenlb.javaeye.com";
        System.out.println(
"ld="+s.ld(str1, str2));
        System.out.println(
"sim="+s.sim(str1, str2));
    }
}

不知sim方法中的公式是合理,个人认为差强人意思,^_^

 

参考: http://www.merriampark.com/ld.htm

posted on 2008-06-25 10:08 流浪汗 阅读(3799) 评论(2)  编辑  收藏 所属分类: algorithm

评论:
# re: Levenshtein Distance(LD)-计算两字符串相似度算法 2008-07-19 15:52 | 王伟怀
这么快就写了那么多拉。太厉害了  回复  更多评论
  
# re: Levenshtein Distance(LD)-计算两字符串相似度算法 2008-07-20 17:38 | 流浪汗
这博客老早就写了  回复  更多评论
  

只有注册用户登录后才能发表评论。


网站导航: