`
jimmee
  • 浏览: 538888 次
  • 性别: Icon_minigender_1
  • 来自: 杭州
社区版块
存档分类
最新评论

字符串相似算法-(2) Levenshtein distance

阅读更多

编辑距离概念描述:

 

编辑距离,又称Levenshtein距离,是指两个字串之间,由一个转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。

例如将kitten一字转成sitting:

sitten (k→s)

sittin (e→i)

sitting (→g)

俄罗斯科学家Vladimir Levenshtein在1965年提出这个概念。

 

问题:找出字符串的编辑距离,即把一个字符串s1最少经过多少步操作变成编程字符串s2,操作有三种,添加一个字符,删除一个字符,修改一个字符

 

解析:

首先定义这样一个函数——edit(i, j),它表示第一个字符串的长度为i的子串到第二个字符串的长度为j的子串的编辑距离。

显然可以有如下动态规划公式:

<!--[if !supportLists]-->if i == 0 且 j == 0,edit(i, j) = 0

<!--[if !supportLists]-->if i == 0 且 j > 0,edit(i, j) = j

<!--[if !supportLists]-->if i > 0 j == 0edit(i, j) = i

<!--[if !supportLists]-->if i ≥ 1  且 j ≥ 1 ,edit(i, j) == min{ edit(i-1, j) + 1, edit(i, j-1) + 1, edit(i-1, j-1) + f(i, j) },当第一个字符串的第i个字符不等于第二个字符串的第j个字符时,f(i, j) = 1;否则,f(i, j) = 0。

 

 

 

0

f

a

i

l

i

n

g

0

 

 

 

 

 

 

 

 

s

 

 

 

 

 

 

 

 

a

 

 

 

 

 

 

 

 

i

 

 

 

 

 

 

 

 

l

 

 

 

 

 

 

 

 

n

 

 

 

 

 

 

 

 

 

 

 

0

f

a

i

l

i

n

g

0

0

1

2

3

4

5

6

7

s

1

 

 

 

 

 

 

 

a

2

 

 

 

 

 

 

 

i

3

 

 

 

 

 

 

 

l

4

 

 

 

 

 

 

 

n

5

 

 

 

 

 

 

 

 计算edit(1, 1),edit(0, 1) + 1 == 2,edit(1, 0) + 1 == 2,edit(0, 0) + f(1, 1) == 0 + 1 == 1,min(edit(0, 1),edit(1, 0),edit(0, 0) + f(1, 1))==1,因此edit(1, 1) == 1。 依次类推:

 

0

f

a

i

l

i

n

g

0

0

1

2

3

4

5

6

7

s

1

1

2

3

4

5

6

7

a

2

2

 

 

 

 

 

 

i

3

 

 

 

 

 

 

 

l

4

 

 

 

 

 

 

 

n

5

 

 

 

 

 

 

 

edit(2, 1) + 1 == 3,edit(1, 2) + 1 == 3,edit(1, 1) + f(2, 2) == 1 + 0 == 1,其中s1[2] == 'a' 而 s2[1] == 'f'‘,两者不相同,所以交换相邻字符的操作不计入比较最小数中计算。以此计算,得出最后矩阵为:

 

0

f

a

i

l

i

n

g

0

0

1

2

3

4

5

6

7

s

1

1

2

3

4

5

6

7

a

2

2

1

2

3

4

5

6

i

3

3

2

1

2

3

4

5

l

4

4

3

2

1

2

3

4

n

5

5

4

3

2

2

2

3

 

 

Lucene里的实现:

 //*****************************
    // Compute Levenshtein distance: see org.apache.commons.lang.StringUtils#getLevenshteinDistance(String, String)
    //*****************************
    public float getDistance (String target, String other) {
      char[] sa;
      int n;
      int p[]; //'previous' cost array, horizontally
      int d[]; // cost array, horizontally
      int _d[]; //placeholder to assist in swapping p and d
      
        /*
         * 这里的实现是仅仅使用一个临时数组做交换空间,避免直接创建
         * 一个二维数组可能出现的oom
         */

        sa = target.toCharArray();
        n = sa.length;
        // 初始化目标字符串
        p = new int[n+1]; 
        d = new int[n+1]; 
      
        final int m = other.length();
        if (n == 0 || m == 0) {
          if (n == m) {
            return 1;
          }
          else {
            return 0;
          }
        } 


        // indexes into strings s and t
        int i; // iterates through s
        int j; // iterates through t

        char t_j; // jth character of t

        int cost; // cost
        
        // 横向字符串,初始化编辑距离 0-n, 第一个横排的值
        for (i = 0; i<=n; i++) {
            p[i] = i;
        }
        
        for (j = 1; j<=m; j++) { // 竖向字符串,从第二个横排开始
        	// 注意,这里j-1是由于数组的第一个位置是0,字符串位置从1开始的,实际取字符时,要位置-1得到下标
            t_j = other.charAt(j-1);
            // 横向编辑距离的第一个值的值初始值(1-m)
            d[0] = j;

            for (i=1; i<=n; i++) {
                cost = sa[i-1]==t_j ? 0 : 1;
                // edit(i, j) == min{ edit(i-1, j) + 1, edit(i, j-1) + 1, edit(i-1, j-1) + f(i, j) }
                // minimum of cell to the left+1, to the top+1, diagonally left and up +cost
                d[i] = Math.min(Math.min(d[i-1]+1, p[i]+1),  p[i-1]+cost);
            }

            // copy current distance counts to 'previous row' distance counts
            _d = p;
            // 记录上一个横排的值
            p = d;
            // 下一个马上处理的横排
            d = _d;
        }

        // our last action in the above loop was to switch d and p, so p now
        // actually has the most recent cost counts
        return 1.0f - ((float) p[n] / Math.max(other.length(), sa.length));
    }

 

1
0
分享到:
评论

相关推荐

Global site tag (gtag.js) - Google Analytics