文本相似度算法（一）：LCS动态规划

#include<iostream>
#include<algorithm>
#include<string>
#include<cassert>
#include<fstream>

using namespace std;

char s1[100];
char s2[100];
int dp[105][105] = { 0 };
int s1_len;
int s2_len;

/* 求出两文件的最长子序列 */
int LCS()
{
    s1_len = strlen(s1);
    s2_len = strlen(s2);
    cout << s1_len << " " << s2_len << endl;
    for (int i = 1; i <= s1_len; i++)
    {
        for (int j = 1; j <= s2_len; j++)
        {
            if (s1[i - 1] == s2[j - 1])
                dp[i][j] = dp[i - 1][j - 1] + 1;
            else
                dp[i][j] = max(dp[i - 1][j], dp[i][j - 1]);
        }
    }

    return dp[s1_len][s2_len];
}

/* 打印最长子序列内容 */
void Print(int i, int j)
{
    if (i == -1 || j == -1)
        return;

    if (s1[i] == s2[j])
    {
        Print(i - 1, j - 1);
        cout << s1[i];
    }
    else
    {
        if (dp[i - 1][j] > dp[i][j - 1])
            Print(i - 1, j);
        else
            Print(i, j - 1);
    }
}

int main()
{
    string file_name1("s1.txt");
    string file_name2("s2.txt");

    ifstream fin;
    fin.open(file_name1.data());
    if (!fin.is_open())
    {
        cout << file_name1 << " 无法打开\n";
        return -1;
    }
    fin.getline(s1, 100);
    fin.close();

    fin.open(file_name2.data());
    if (!fin.is_open())
    {
        cout << file_name2 << " 无法打开\n";
        return -1;
    }
    fin.getline(s2, 100);
    fin.close();

    int lcs = LCS();
    cout << "最长公共子序列长度为：" << lcs << endl;
    cout << "最长公共子序列为：";
    Print(s1_len - 1, s2_len - 1);
    cout << "\n相似度为：" << (lcs * 2 * 100) / (s1_len + s2_len) << "%\n";

    return 0;
}

此算法是针对最长公共子序列，不是子串。
具体情况远不止如此简单，还要考虑相似度基于的是字符还是单词，具体算法看实际情况。