计算字符串相似度算法 - Levenshtein

12年前

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abe

b.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。

	abc	a	b	c
abe	0	1	2	3
a	1	A处
b	2
e	3

c.来计算A处出得值

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

	abc	a	b	c
abe	0	1	2	3
a	1	0
b	2	B处
e	3

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

	abc	a	b	c
abe	0	1	2	3
a	1	0
b	2	1
e	3	C处

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

		a	b	c
	0	1	2	3
a	1	A处 0	D处 1	G处 2
b	2	B处 1	E处 0	H处 1
e	3	C处 2	F处 1	I处 1

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

		天	周	一
	0	1	2	3
今	1	1	2	3
天	2	1	2	3
周	3	2	1	3
一	4	3	3	1

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
	0	1	2	3	4	5	6	7
听	1	1	1	2	3	4	5	6
说	2	2	2	1	2	3	4	5
马	3	3	3	2	2	3	4	5
上	4	4	4	3	3	3	4	5
就	5	5	5	4	4	4	4	5
要	6	6	6	5	4	5	5	5
放	7	7	7	6	5	4	5	6
假	8	8	8	7	6	5	4	6
了	9	9	9	8	7	6	6	4

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。

转自：http://wdhdmx.iteye.com/blog/1343856

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：

2.用途