字符串编辑距离与拼写错误检查

一、贝叶斯定理

编辑距离是指两个字符串之间，由一个转换成另一个所需的最少编辑操作次数。编辑操作包括删除、添加（插入）和替换三种方式。当然，次数越小越相似。

编辑距离应用最多的地方就是基于贝叶斯定理的拼写检查中，贝叶斯公式：

用户输入一个单词时，可能拼写正确，也可能拼写错误。如果把拼写正确的情况记做c（代表correct），拼写错误的情况记做w（代表wrong），那么"拼写检查"要做的事情就是：在发生w的情况下，试图推断出c。换言之：已知w，然后在若干个备选方案中，找出可能性最大的那个c，也就是求的最大值。
而根据贝叶斯定理，有：

　　

由于对于所有备选的c来说，对应的都是同一个w，所以它们的P(w)是相同的，因此我们只要最大化

即可。其中：

• P(w|c)表示在试图拼写c的情况下，出现拼写错误w的概率。为了简化问题，假定两个单词在字形上越接近，就有越可能拼错，P(w|c)就越大。举例来说，相差一个字母的拼法，就比相差两个字母的拼法，发生概率更高。你想拼写单词genius，那么错误拼成genious（相差一个字母）的可能性，就比拼成genioous高（相差两个字母），而这种问题就是“编辑距离”问题。
• P(c)表示某个正确的词的出现"概率"，它可以用"频率"代替。如果我们有一个足够大的文本库，那么这个文本库中每个单词的出现频率，就相当于它的发生概率。某个词的出现频率越高，P(c)就越大。比如在你输入一个错误的词“genious”时，系统更倾向于去猜测你可能想输入的词是“genius”，而不是“genieus”，因为“genius”更常见。

所以我们首先找出P(w|c)很大的那些单词，怎么找呢？用编辑距离方法（任意单词与输入错误单词之间，源是任意单词，目标单词是输入的（错误）单词），操作次数越少，说明越相似，从而其概率P(w|c)就越大，然后在文本库中找出这个概率很大的单词对应的频率P(c)（P(w|c)很大，P(c)不见得很大），从而可以计算出贝叶斯概率，概率大者作为提示显示出来。如：

二、字符串编辑距离

举个例子：S=“eeba” ，T="abac" 。我们发现当S只有一个字符e、T只有一个字符a的时候，我们马上就能得到S和T的编辑距离edit(0,0)=1(将e替换成a)。那么如果S中有1个字符e、T中有两个字符ab的时候，我们是不是可以这样分解：edit(0,1)=edit(0,0)+1(将e替换成a后，在添加一个b)。如果S中有两个字符ee，T中有两个字符ab的时候，我们是不是可以分解成：edit(1,1)=min(edit(0,1)+1, edit(1,0)+1, edit(0,0)+f(1,1))。 这样我们可以得到这样一些动态规划公式：      
        如果i=0且j=0        edit(0, 0)=1
        如果i=0且j>0        edit(0, j )=edit(0, j-1)+1
        如果i>0且j=0        edit( i, 0 )=edit(i-1, 0)+1   //以上三行是初始化二维数组时的操作
        如果i>0且j>0        edit(i, j)=min(edit(i-1, j)+1, edit(i,j-1)+1, edit(i-1,j-1)+f(i , j) )    //f(i , j) =0 or 1
 
注：

1) edit(i,j)表示S中[0.... i]的子串 si 到T中[0....j]的子串t1的编辑距离。f(i,j)表示S中第i个字符s(i)转换到T中第j个字符s(j)所需要的操作次数，如果s(i)==s(j)，则不需要任何操作f(i, j)=0； 否则，需要替换操作，f(i, j)=1 。

2) edit(i-1, j)+1：删除操作； 

    edit(i,j-1)+1： 添加操作； 

    edit(i-1,j-1)+f(i , j)：替换操作，等价于edit(i-1,j-1)+(s[i] = t[j] ? 0: 1)

    

递推公式可以这样理解：

我们对字符可能进行的操作有三种：

           如果我们可以使用k个操作数把s[1…i]转换为t[1…j-1]，我们只需要把t[j]加在最后面就能将s[1…i]转换为t[1…j]，操作数为k+1；

           如果我们可以使用k个操作数把s[1…i-1]转换为t[1…j]，我们只需要把s[i]从最后删除就可以完成转换，操作数为k+1；

           如果我们可以使用k个操作数把s[1…i-1]转换为t[1…j-1]，我们只需要在需要的情况下（s[i] != t[j]）把s[i]替换为t[j]，所需的操作数为k+cost（cost

代表是否需要转换，如果s[i]==t[j]，则cost为0，否则为1）。

将s[1…n]转换为t[1…m]当然需要将所有的s转换为所有的t，所以，d[n,m]（表格的右下角）就是我们所需的结果。

另外，必须记住一点：这所有的操作都是针对i，即源字符串的。如，删除的是源字符串i上的字符...

代码如下：

int getDistance(char[] str1,char[] str2)
{
     int n = str1.length;
     int m = str2.length;
     int[][] C = new int[n+1][m+1];
     int i, j, x, y, z;
     for (i = 0; i <n; i++)
         C[i][0] = i;
     for (i = 0; i < m; i++)
         C[0] [i] = i;
     for (i = 1; i < n+1; i++)
    {
         for (j = 1; j < m+1; j++)
         {
             x = c[i][j-1] + 1;
             y = c[i-1][j] + 1;
             if (str1[i] == str2[j])
                 z = c[i-1][j-1];
             else
                 z = c[i-1][j-1] + 1;
                 
             c[i][j] = min(min(x, y), z);
          }
     }
     return c[n][m];  
}