兩字符串相似度計(jì)算方法有好多，現(xiàn)對(duì)基于編距的算法的相似度計(jì)算自己總結(jié)下。
簡(jiǎn)單介紹下Levenshtein Distance(LD)：LD 可能衡量?jī)勺址南嗨菩浴Ｋ鼈兊木嚯x就是一個(gè)字符串轉(zhuǎn)換成那一個(gè)字符串過程中的添加、刪除、修改數(shù)值。
舉例：
- 如果str1="test"，str2="test"，那么LD(str1,str2) = 0。沒有經(jīng)過轉(zhuǎn)換。
- 如果str1="test"，str2="tent"，那么LD(str1,str2) = 1。str1的"s"轉(zhuǎn)換"n"，轉(zhuǎn)換了一個(gè)字符，所以是1。
如果它們的距離越大，說明它們?cè)绞遣煌?/p>
Levenshtein distance最先是由俄國(guó)科學(xué)家Vladimir Levenshtein在1965年發(fā)明，用他的名字命名。不會(huì)拼讀，可以叫它edit distance（編輯距離）。
Levenshtein distance可以用來：
- Spell checking(拼寫檢查)
- Speech recognition(語句識(shí)別)
- DNA analysis(DNA分析)
- Plagiarism detection(抄襲檢測(cè))
LD用m*n的矩陣存儲(chǔ)距離值。算法大概過程：
- str1或str2的長(zhǎng)度為0返回另一個(gè)字符串的長(zhǎng)度。
- 初始化(n+1)*(m+1)的矩陣d，并讓第一行和列的值從0開始增長(zhǎng)。
- 掃描兩字符串（n*m級(jí)的），如果：str1[i] == str2[j]，用temp記錄它，為0。否則temp記為1。然后在矩陣d[i][j]賦于d[i-1][j]+1 、d[i][j-1]+1、d[i-1][j-1]+temp三者的最小值。
- 掃描完后，返回矩陣的最后一個(gè)值即d[n][m]
最后返回的是它們的距離。怎么根據(jù)這個(gè)距離求出相似度呢？因?yàn)樗鼈兊淖畲缶嚯x就是兩字符串長(zhǎng)度的最大值。對(duì)字符串不是很敏感。現(xiàn)我把相似度計(jì)算公式定為1-它們的距離/字符串長(zhǎng)度最大值。
源碼：
package com.chenlb.algorithm;
/**
* 編輯距離的兩字符串相似度
*
* @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[][]; //矩陣
int n = str1.length();
int m = str2.length();
int i; //遍歷str1的
int j; //遍歷str2的
char ch1; //str1的
char ch2; //str2的
int temp; //記錄相同字符,在某個(gè)矩陣位置值的增量,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++) { //遍歷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;
}
//左邊+1,上邊+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，個(gè)人認(rèn)為差強(qiáng)人意思，^_^
參考: http://www.merriampark.com/ld.htm
posted on 2008-06-25 10:08
流浪汗 閱讀(3834)
評(píng)論(2) 編輯 收藏 所屬分類:
algorithm