字符串相似度Levenshtein算法
?????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。一个字符串可以通过增加一个字符,删除一个字符,替换一个字符得到另外一个字符串,假设,我们把从字符串A转换成字符串B,前面3种操作所执行的最少次数称为AB相似度
如??abc adc??度为 1
? ?? ?ababababa babababab 度为 2
? ?? ?abcd acdb 度为2
?
StepDescription1Set n to be the length of s.?
ExampleThis section shows how the Levenshtein distance is computed when the source string is "GUMBO" and the target string is "GAMBOL".
?
??GUMBO?012345G1?????A2?????M3?????B4?????O5?????L6??????
?
??GUMBO?012345G10????A21????M32????B43????O54????L65?????
?
??GUMBO?012345G101???A211???M322???B433???O544???L655????
?
??GUMBO?012345G1012??A2112??M3221??B4332??O5443??L6554???
?
??GUMBO?012345G10123?A21123?M32212?B43321?O54432?L65543??
?
??GUMBO?012345G101234A211234M322123B433212O544321L655432?
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:
str1或str2的长度为0返回另一个字符串的长度。
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。
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。
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。
?
private int ComputeDistance (string s, string t){ int n=s.Length; int m=t.Length; int[,] distance=new int[n + 1, m + 1]; // matrix int cost=0; if(n == 0) return m; if(m == 0) return n; //init1 for(int i=0; i <= n; distance[i, 0]=i++); for(int j=0; j <= m; distance[0, j]=j++); //find min distance for(int i=1; i <= n; i++) { for(int j=1; j <= m;j++) { cost=(t.Substring(j - 1, 1) == s.Substring(i - 1, 1) ? 0 : 1); distance[i,j]=Min3(distance[i - 1, j] + 1, distance[i, j - 1] + 1, distance[i - 1, j - 1] + cost); } } return distance[n, m];}
?