计算字符串相似度算法——Levenshtein
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abeb.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。
?
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?
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?
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?
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。
?
?
?
最后一句我彻底凌乱了 尴尬·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());