字符串相似度算法-LEVENSHTEIN DISTANCE算法
Levenshtein Distance 算法,又叫 Edit Distance 算法,是指两个字符串之间,由一个转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。一般来说,编辑距离越小,两个串的相似度越大。
算法实现原理图解:
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:
上面的值加 1 ,得到 1+1=2 ,
左面的值加 1 ,得到 1+1=2 ,
左上角的值根据字符是否相同,相同加 0 ,不同加 1 。A 处由于是两个 a 相同,左上角的值加 0 ,得到 0+0=0 。
然后从我们上面计算出来的 2,2,0 三个值中选取最小值,所以 A 处的值为 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( c 替换成 e )。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 。
最近需要对文本内容进行对比计算相似度,找了很久还真的让我找到个现成的模块 python-Levenshtein ,这个模块用法直接用help看吧,我主要用到里面的distance和ratio,其它的暂时还不知道有什么功能。
最新文章
- Nullable<;>;
- zendstudio添加注释快捷键
- asp.net,CSS设置<;TableListView>;的title居左,居左,居上
- [大牛翻译系列]Hadoop(16)MapReduce 性能调优:优化数据序列化
- css.day02
- 武汉科技大学ACM :1002: 零起点学算法38——求阶乘和
- Wi-Fi万能钥匙:说是破解,其实有危险(转)
- OpenGL Development Cookbook chapter7部分翻译
- mysql数据库开始——增删改
- Eclipse用法:自动生成get和set方法
- 连接WiFi工具类
- 解决有关flask-socketio中服务端和客户端回调函数callback参数的问题(全网最全)
- react项目和next项目修改默认端口号
- MATLAB矩阵操作
- 移动端Android软键盘遮住输入框解决!
- C# 二种方法控制系统音量/麦克风大小
- jmeter 计数器 (可自动生成新数字、注册专用)
- selenium基础框架的封装(Python版)这篇帖子在百度关键词搜索的第一位了,有图为证,开心!
- Linux解压工具
- Repeater控件的分隔线
热门文章
- 课程三(Structuring Machine Learning Projects),第一周(ML strategy(1)) —— 0.Learning Goals
- OpenMP初探
- Android的Fragment中的互相通信-桥梁activity
- mybatis随笔五之Executor
- js把文本字符串转换为文件并下载
- flask 压缩json
- iOS开发(0):框架QMUIKit的使用 | 使用第三方UI框架 | cocoapods的使用
- 前端回顾:2016年 JavaScript 之星
- windows下mongodb基础玩法系列一介绍与安装
- 【学习笔记】AJAX内容拓展