字符串相似度算法介绍(整理)

最新推荐文章于 2023-01-26 20:33:42 发布

dongle2001

最新推荐文章于 2023-01-26 20:33:42 发布

阅读量2.8w

点赞数

分类专栏： vc 文章标签：算法 character distance matrix 文档 c

本文链接：https://blog.csdn.net/dongle2001/article/details/1472235

版权

本文介绍了字符串相似度计算的两种常见算法：编辑距离（Levenshtein Distance）和最长公共子串（LCS）。编辑距离通过动态规划实现，用于计算两个字符串之间的最小编辑操作数。最长公共子串则是找出两个字符串中相同部分的最长连续子串。这两种算法在文本处理和比较中有着广泛应用。

摘要由CSDN通过智能技术生成

最近在做这方面的应用，把我找到的资料贴出来，有需要的人可以参考参考。
1．编辑距离（Levenshtein Distance）
编辑距离就是用来计算从原串（s）转换到目标串(t)所需要的最少的插入，删除和替换
的数目，在NLP中应用比较广泛，如一些评测方法中就用到了（wer,mWer等），同时也常用来计算你对原文本所作的改动数。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。
Levenshtein Distance算法可以看作动态规划。它的思路就是从两个字符串的左边开始比较,记录已经比较过的子串相似度(实际上叫做距离),然后进一步得到下一个字符位置时的相似度。用下面的例子: GUMBO和GAMBOL。当算到矩阵D[3,3]位置时,也就是当比较到GUM和GAM时,要从已经比较过的3对子串GU-GAM, GUM-GA和GU-GA之中选一个差别最小的来当它的值. 所以要从左上到右下构造矩阵。
编辑距离的伪算法：
整数 Levenshtein距离(字符 str1[1..lenStr1], 字符 str2[1..lenStr2])
   宣告 int d[0..lenStr1, 0..lenStr2]
   宣告 int i, j, cost

   对于 i 等于由 0 至 lenStr1
       d[i, 0] := i
   对于 j 等于由 0 至 lenStr2
       d[0, j] := j
   对于 i 等于由 1 至 lenStr1
       对于 j 等于由 1 至 lenStr2
           若 str1[i] = str2[j] 则 cost := 0
                                否则 cost :