Levenshtein Distance(LD)-计算两字符串相似度算法 - chenlb...

Levenshtein Distance(LD)-计算两字符串相似度算法

关键字: 字符串 相似度 算法 ld

    两字符串相似度计算方法有好多，现对基于编距的算法的相似度计算自己总结下。

 

    简单介绍下Levenshtein Distance(LD)：LD 可能衡量两字符串的相似性。它们的距离就是一个字符串转换成那一个字符串过程中的添加、删除、修改数值。

    举例：

• 如果str1="test"，str2="test"，那么LD(str1,str2) = 0。没有经过转换。
• 如果str1="test"，str2="tent"，那么LD(str1,str2) = 1。str1的"s"转换"n"，转换了一个字符，所以是1。

如果它们的距离越大，说明它们越是不同。

 

     Levenshtein distance最先是由俄国科学家Vladimir Levenshtein在1965年发明，用他的名字命名。不会拼读，可以叫它edit distance（编辑距离）。

 

    Levenshtein distance可以用来：

• Spell checking(拼写检查)
• Speech recognition(语句识别)
• DNA analysis(DNA分析)
• Plagiarism detection(抄袭检测)

LD用m*n的矩阵存储距离值。算法大概过程：

1. str1或str2的长度为0返回另一个字符串的长度。
2. 初始化(n+1)*(m+1)的矩阵d，并让第一行和列的值从0开始增长。
3. 扫描两字符串（n*m级的），如果：str1[i] == str2[j]，用temp记录它，为0。否则temp记为1。然后在矩阵d[i][j]赋于d[i-1][j]+1 、d[i][j-1]+1、d[i-1][j-1]+temp三者的最小值。
4. 扫描完后，返回矩阵的最后一个值即d[n][m]

最后返回的是它们的距离。怎么根据这个距离求出相似度呢？因为它们的最大距离就是两字符串长度的最大值。对字符串不是很敏感。现我把相似度计算公式定为1-它们的距离/字符串长度最大值。

 

    源码：

package com.chenlb.algorithm;

/**
 * 编辑距离的两字符串相似度
 *
 * @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[][];  //矩阵
        int n = str1.length();
        int m = str2.length();
        int i;  //遍历str1的
        int j;  //遍历str2的
        char ch1;   //str1的
        char ch2;   //str2的
        int temp;   //记录相同字符,在某个矩阵位置值的增量,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++) {    //遍历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;
                }
                //左边+1,上边+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.";
        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，个人认为差强人意思，不知javaeyer们，有没有高见，指点一二，^_^

 

参考: http://www./ld.htm

1
顶

0
踩

• 18:46
• 浏览 (1198)
• 评论 (2)
• 分类: algorithm
• 发布在 lucene爱好者 圈子
• 相关推荐

评论

chenlb 2008-06-27   回复

抄袭检测是,参考: http://www./ld.htm 里面说的, 此算法在聚类应用中还算可以.

抄袭,用关键词余弦定理(向量空间模型),应该比较好.我的毕业设计就做了这方面的功能.就是用向量项. 它的缺点就是不检测结构上的相似, 当关键字相同时,把顺序倒过来,相似度还是一样.但正常情况可能满足了.

minstrel 2008-06-26   回复

我觉得这个在检查抄袭上估计不行,这个方法好像更关注交换程度,因为抄袭是关键词差不多的,监测抄袭还是google那个余弦(cos)方法更合理