已经很久没深入研究过算法相关的东西,毕竟日常少用,就算死记硬背也是没有实施场景导致容易淡忘。最近在做一个脱敏数据和明文数据匹配的需求的时候,用到了一个算法叫Levenshtein Distance Algorithm
,本文对此算法原理做简单的分析,并且用此算法解决几个常见的场景。
Levenshtein Distance
,一般称为编辑距离(Edit Distance
,Levenshtein Distance
只是编辑距离的其中一种)或者莱文斯坦距离,算法概念是俄罗斯科学家弗拉基米尔·莱文斯坦(Levenshtein · Vladimir I)在1965年提出。此算法的概念很简单:Levenshtein Distance
指两个字串之间,由一个转换成另一个所需的最少编辑操作次数,允许的编辑操作包括:
Substitutions
)。Insertions
)。Deletions
)。下文开始简称
Levenshtein Distance
为LD
这个数学公式最终得出的数值就是LD
的值。举个例子:
将kitten
这个单词转成sitting
的LD
值为3:
可以使用动态规划的方法去测量LD
的值,步骤大致如下:
LD
矩阵(M,N)
,M
和N
分别是两个输入字符串的长度。[i][j]
位置的两个字符串相等,则从[i][j]
位置左加1,上加1,左上加0,然后从这三个数中取出最小的值填充到[i][j]
。[i][j]
位置的两个字符串不相等,则从[i][j]
位置左、左上、上三个位置的值中取最小值,这个最小值加1(或者说这三个值都加1然后取最小值),然后填充到[i][j]
。LD
矩阵(M,N)
填充完毕后,最终矩阵右下角的数字就是两个字符串的LD
值。这里不打算证明上面动态规划的结论(也就是默认这个动态规划的结果是正确的),直接举两个例子说明这个问题:
son
和sun
。doge
和dog
。例子一:
初始化LD
矩阵(3,3)
:
| | s | o | n |
---|---|---|---|---|
| 0 | 1 | 2 | 3 |
s | 1 | | | |
u | 2 | | | |
n | 3 | | | |
计算[0][0]
的位置的值,因为's' = 's'
,所以[0][0]的值 = min(1+1, 1+1, 0+0) = 0
。
| | s | o | n |
---|---|---|---|---|
| 0 | 1 | 2 | 3 |
s | 1 | 0 | | |
u | 2 | | | |
n | 3 | | | |
按照这个规则计算其他位置的值,填充完毕后的LD
矩阵`如下:
| | s | o | n |
---|---|---|---|---|
| 0 | 1 | 2 | 3 |
s | 1 | 0 | 1 | 2 |
u | 2 | 1 | 1 | 2 |
n | 3 | 2 | 2 | 1 |
那么son
和sun
的LD
值为1。
例子二:
初始化LD
矩阵(4,3)
:
| | d | o | g |
---|---|---|---|---|
| 0 | 1 | 2 | 3 |
d | 1 | | | |
o | 2 | | | |
g | 3 | | | |
e | 4 | | | |
接着填充矩阵:
| | d | o | g |
---|---|---|---|---|
| 0 | 1 | 2 | 3 |
d | 1 | 0 | 1 | 2 |
o | 2 | 1 | 0 | 1 |
g | 3 | 2 | 1 | 0 |
e | 4 | 3 | 2 | 1 |
那么doge
和dog
的LD
值为1。
依据前面提到的动态规划方法,可以相对简单地实现LD
的算法,这里选用Java
语言进行实现:
public enum LevenshteinDistance {
// 单例
X;
/**
* 计算Levenshtein Distance
*/
public int ld(String source, String target) {
Optional.ofNullable(source).orElseThrow(() -> new IllegalArgumentException("source"));
Optional.ofNullable(target).orElseThrow(() -> new IllegalArgumentException("target"));
int sl = source.length();
int tl = target.length();
// 定义矩阵,行列都要加1
int[][] matrix = new int[sl + 1][tl + 1];
// 首行首列赋值
for (int k = 0; k <= sl; k++) {
matrix[k][0] = k;
}
for (int k = 0; k <= tl; k++) {
matrix[0][k] = k;
}
// 定义临时的编辑消耗
int cost;
for (int i = 1; i <= sl; i++) {
for (int j = 1; j <= tl; j++) {
if (source.charAt(i - 1) == target.charAt(j - 1)) {
cost = 0;
} else {
cost = 1;
}
matrix[i][j] = min(
// 左上
matrix[i - 1][j - 1] + cost,
// 右上
matrix[i][j - 1] + 1,
// 左边
matrix[i - 1][j] + 1
);
}
}
return matrix[sl][tl];
}
private int min(int x, int y, int z) {
return Math.min(x, Math.min(y, z));
}
/**
* 计算匹配度match rate
*/
public BigDecimal mr(String source, String target) {
int ld = ld(source, target);
// 1 - ld / max(len1,len2)
return BigDecimal.ONE.subtract(BigDecimal.valueOf(ld)
.divide(BigDecimal.valueOf(Math.max(source.length(), target.length())), 2, BigDecimal.ROUND_HALF_UP));
}
}
算法的复杂度为O(N * M)
,其中N
和M
分别是两个输入字符串的长度。这里的算法实现完全参照前面的动态规划方法推论过程,实际上不一定需要定义二维数组(矩阵),使用两个一维的数组即可,可以参看一下java-string-similarity中Levenshtein算法的实现。以前面的例子运行一下:
public static void main(String[] args) throws Exception {
String s = "doge";
String t = "dog";
System.out.println("Levenshtein Distance:" +LevenshteinDistance.X.ld(s, t));
System.out.println("Match Rate:" +LevenshteinDistance.X.mr(s, t));
}
// 输出
Levenshtein Distance:1
Match Rate:0.75
LD
算法主要的应用场景有:
DNA
分析。其实主要就是"字符串"匹配场景,这里基于实际遇到的场景举例。
最近有场景做脱敏数据和明文数据匹配,有时候第三方导出的文件是脱敏文件,格式如下:
姓名 | 手机号 | 身份证 |
---|---|---|
张*狗 | 123****8910 | 123456****8765**** |
己方有明文数据如下:
姓名 | 手机号 | 身份证 |
---|---|---|
张大狗 | 12345678910 | 123456789987654321 |
要把两份数据进行匹配,得出上面两条数据对应的是同一个人的数据,原理就是:当且仅当两条数据中手机号的LD
值为4,身份证的LD
值为8,姓名的LD
值为1,则两条数据完全匹配。
使用前面写过的算法:
public static void main(String[] args) throws Exception {
String sourceName = "张*狗";
String sourcePhone = "123****8910";
String sourceIdentityNo = "123456****8765****";
String targetName = "张大狗";
String targetPhone = "12345678910";
String targetIdentityNo = "123456789987654321";
boolean match = LevenshteinDistance.X.ld(sourceName, targetName) == 1 &&
LevenshteinDistance.X.ld(sourcePhone, targetPhone) == 4 &&
LevenshteinDistance.X.ld(sourceIdentityNo, targetIdentityNo) == 8;
System.out.println("是否匹配:" + match);
targetName = "张大doge";
match = LevenshteinDistance.X.ld(sourceName, targetName) == 1 &&
LevenshteinDistance.X.ld(sourcePhone, targetPhone) == 4 &&
LevenshteinDistance.X.ld(sourceIdentityNo, targetIdentityNo) == 8;
System.out.println("是否匹配:" + match);
}
// 输出结果
是否匹配:true
是否匹配:false
这个场景看起来比较贴近生活,也就是词典应用的拼写提示,例如输入了throwab
,就能提示出throwable
,笔者认为一个简单实现就是遍历t
开头的单词库,寻找匹配度比较高(LD
值比较小)的单词进行提示(实际上为了满足效率有可能并不是这样实现的)。举个例子:
public static void main(String[] args) throws Exception {
String target = "throwab";
// 模拟一个单词库
List<String> words = Lists.newArrayList();
words.add("throwable");
words.add("their");
words.add("the");
Map<String, BigDecimal> result = Maps.newHashMap();
words.forEach(x -> result.put(x, LevenshteinDistance.X.mr(x, target)));
System.out.println("输入值为:" + target);
result.forEach((k, v) -> System.out.println(String.format("候选值:%s,匹配度:%s", k, v)));
}
// 输出结果
输入值为:throwab
候选值:the,匹配度:0.29
候选值:throwable,匹配度:0.78
候选值:their,匹配度:0.29
这样子就可以基于输入的throwab
选取匹配度最高的throwable
。
抄袭侦测的本质也是字符串的匹配,可以简单认为匹配度高于某一个阈值就是属于抄袭。例如《我是一只小小鸟》里面的一句歌词是:
我是一只小小小小鸟,想要飞呀飞却飞也飞不高
假设笔者创作了一句歌词:
我是一条小小小小狗,想要睡呀睡却睡也睡不够
我们可以尝试找出两句词的匹配度:
System.out.println(LevenshteinDistance.X.mr("我是一只小小小小鸟,想要飞呀飞却飞也飞不高", "我是一条小小小小狗,想要睡呀睡却睡也睡不够"));
// 输出如下
0.67
可以认为笔者创作的歌词是完全抄袭的。当然,对于大文本的抄袭侦测(如论文查重等等)需要考虑执行效率的问题,解决的思路应该是类似的,但是需要考虑如何分词、大小写等等各种的问题。
本文仅仅对Levenshtein Distance
做了一点皮毛上的分析并且列举了一些简单的场景,其实此算法在日常生活中是十分常见的,笔者猜测词典应用的单词拼写检查、论文查重(抄袭判别)都可能和此算法相关。算法虽然学习曲线比较陡峭,但是它确实是一把解决问题的利刃。
参考资料:
本文是Throwable的原创文章,转载请提前告知作者并且标明出处。 博客内容遵循 署名-非商业性使用-相同方式共享 4.0 国际 (CC BY-NC-SA 4.0) 协议 本文永久链接是:https://cloud.tencent.com/developer/article/1649884