离散序列的相似性度量

一 前言

离散序列通常是字符串序列，一个字符表示一种标签或者等级。这与定量型数据的相似性度量不同，定量型数据可以采用距离函数来度量相似度，而离散序列一般不具有数值计算的特性。故而，我们对离散序列的相似度量通常采用字符串比较的方法，本文讨论的是编辑距离和最长公共子序列。

二 编辑距离

编辑距离是将一个字符串转化为另一个字符串所使用一系列插入、删除和替换操作所需要的最小代价。 例如，将 ababab 转化成 bababa 最少需要两次：第一次删除第一个a，第二次在尾端插入一个a。假设删除和插入的成本都是1，那么 ababab 和 bababa 的编辑距离就是2。显然，编辑距离越小说明两个字符串越相似。

给定两个任意的字符序列X和Y，如何计算两者之间的编辑距离？显然，这是个动态规划的问题，需要找出它的递归模型。

设$Edit(i,j)$代表片段$X_i$和$Y_j$的最小匹配代价。那么有4种可能：

• $X[i]!=Y[j]$时, $X_i$插入一个字符：插入一个字符到$X_i$的末尾，使得它和$Y_j$的最后一个字符相等。此时匹配了一个$Y_j$的字符，$j$指针向前移动，$i$不动。$Edit(i,j)=Edit(i,j-1)+插入成本$。
• $X[i]!=Y[j]$时,$X_i$删除一个字符：删除$X_i$末尾的字符。此时$X[i-1]$和$Y[j]$ 可能相等也可能不等，j不动，i指针向前移动。$Edit(i,j)=Edit(i-1,j)+删除成本$。
• $X[i]!=Y[j]$时,$X$