专栏首页Java成神之路计算字符串相似度算法——Levenshtein

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。

 1 /** 
 2  * @className:MyLevenshtein.java 
 3  * @classDescription:Levenshtein Distance 算法实现 
 4  * 可以使用的地方:DNA分析   拼字检查   语音辨识   抄袭侦测 
 5  * @author:donghai.wan 
 6  * @createTime:2012-1-12 
 7  */  
 8 public class MyLevenshtein {  
 9   
10     public static void main(String[] args) {  
11         //要比较的两个字符串  
12         String str1 = "今天星期四";  
13         String str2 = "今天是星期五";  
14         levenshtein(str1,str2);  
15     }  
16   
17     /** 
18      *   DNA分析   拼字检查   语音辨识   抄袭侦测 
19      *  
20      * @createTime 2012-1-12 
21      */  
22     public static void levenshtein(String str1,String str2) {  
23         //计算两个字符串的长度。  
24         int len1 = str1.length();  
25         int len2 = str2.length();  
26         //建立上面说的数组,比字符长度大一个空间  
27         int[][] dif = new int[len1 + 1][len2 + 1];  
28         //赋初值,步骤B。  
29         for (int a = 0; a <= len1; a++) {  
30             dif[a][0] = a;  
31         }  
32         for (int a = 0; a <= len2; a++) {  
33             dif[0][a] = a;  
34         }  
35         //计算两个字符是否一样,计算左上的值  
36         int temp;  
37         for (int i = 1; i <= len1; i++) {  
38             for (int j = 1; j <= len2; j++) {  
39                 if (str1.charAt(i - 1) == str2.charAt(j - 1)) {  
40                     temp = 0;  
41                 } else {  
42                     temp = 1;  
43                 }  
44                 //取三个值中最小的  
45                 dif[i][j] = min(dif[i - 1][j - 1] + temp, dif[i][j - 1] + 1,  
46                         dif[i - 1][j] + 1);  
47             }  
48         }  
49         System.out.println("字符串\""+str1+"\"与\""+str2+"\"的比较");  
50         //取数组右下角的值,同样不同位置代表不同字符串的比较  
51         System.out.println("差异步骤:"+dif[len1][len2]);  
52         //计算相似度  
53         float similarity =1 - (float) dif[len1][len2] / Math.max(str1.length(), str2.length());  
54         System.out.println("相似度:"+similarity);  
55     }  
56   
57     //得到最小值  
58     private static int min(int... is) {  
59         int min = Integer.MAX_VALUE;  
60         for (int i : is) {  
61             if (min > i) {  
62                 min = i;  
63             }  
64         }  
65         return min;  
66     }  
67   
68 } 

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

0

1

2

3

1

1

2

3

2

1

2

3

3

2

1

3

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

0

1

2

3

4

5

6

7

1

1

1

2

3

4

5

6

2

2

2

1

2

3

4

5

3

3

3

2

2

3

4

5

4

4

4

3

3

3

4

5

5

5

5

4

4

4

4

5

6

6

6

5

4

5

5

5

7

7

7

6

5

4

5

6

8

8

8

7

6

5

4

6

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。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • Oracle学习笔记_05_ 一个创建表空间、创建用户、授权的完整过程

    2.1 表空间: 一般在开发情况下,我们当然不会使用用户的默认表空间,所以这时我们需要创建一个表空间. 

    shirayner
  • java分层架构概念

    1.JAVA中Action层, Service层 ,modle层 和 Dao层的功能区分?(下面所描述的service层就是biz)       首先这是现在...

    shirayner
  • JavaUtil_03_图片处理工具类

    shirayner
  • 1355: [Baltic2009]Radio Transmission

    Description 给你一个字符串,它是由某个字符串不断自我连接形成的。 但是这个字符串是不确定的,现在只想知道它的最短长度是多少. Input 第一行给...

    attack
  • 全球币圈首个实盘交易大赛?奖池100个BTC+亿万STC!请开始你的表演!

    最近关注到一个刷遍了半个圈内媒体的活动【STC全球币圈首个实盘交易大赛】,奖池足足有100个BTC+亿万STC大奖,在这个行情大寒冬的时期,是哪个项目方出来搞事...

    区块链领域
  • 洛谷P3773 [CTSC2017]吉夫特(Lucas定理,dp)

    满足$b_1 < b_2 < \dots < b_k$且$a_{b_1} \geqslant a_{b_2} \geqslant \dots \geqslant...

    attack
  • 推荐一个好用的小工具!用它+正则 匹配文本,方便百倍

    想必您一定听说过正则匹配和替换,也一定知道它的强大,它的简洁。的确,使用它可以帮助我们实现很多复杂的功能,同时也会让我们少写很多行代码。

    double
  • 浅析WeakHashMap

    在Java或者是Android编程中,我们一般都会使用到Map,比如HashMap这样的具体实现。更高级一点,我们可能会使用WeakHashMap。

    技术小黑屋
  • LeetCode-6 Z字形变换

    今天我们学习第6题Z字形变换,这是一个字符串的中等题,像这样字符串的题目经常作为面试题来考察面试者算法能力和写代码能力,因此最好能手写出该题。下面我们看...

    用户3470542
  • LeetCode 刷题记录(三)

    这道题是「回溯法」的经典应用。基本的思路是:从第一行开始,每行按列循环放置皇后,如果找到一个符合规则的位置,则到下一行,以此类推,如果可以一直进行到最后一行,则...

    口仆

扫码关注云+社区

领取腾讯云代金券