字符串编辑距离之JaroWinklerDistance

概述

Jaro-Winkler Distance是一个度量两个字符序列之间的编辑距离的字符串度量标准，是由William E. Winkler在1990年提出的Jaro Distance度量标准的一种变体。Jaro Distance是两个单词之间由一个转换为另一个所需的单字符转换的最小数量。Jaro-Winkler Distance通过前缀因子使Jaro Distance相同时共同前缀长度越大的相似度越高。Jaro–Winkler Distance越小，两个字符串越相似。如果分数是0，则表示完全不同，分数为1则表示完全匹配。Jaro–Winkler相似度是1 - Jaro–Winkler Distance。

Jaro相似度

对于给定的两个字符串 和，相似度，计算公式如下：

其中：

• 是字符串 的长度。
• 是匹配的字符数量。
• 是字符转换的次数。

只有当 和的字符相同，且距离不超过 时才认为两个字符是匹配的。将与匹配的字符进行比较，相同位置但字符不同的字符数除以2就是要转换的次数。

Jaro-Winkler相似度

对于给定的两个字符串 和，相似度，计算公式如下：

其中：

• 是 和的Jaro相似度。
• 是字符串公共的前缀长度，最大值为4。
• 是一个常量因子，对于有公共前缀的分数会向上调整，不能超过0.25，否则相似度会超过1，常量的默认值为0.1。

示例

三个单词、、分别为aboard、abroad、aborad，分为两组进行比较、和、。

根据Jaro Distance算法、匹配的字符数为为6，需要转换的字符为o、a、r，所以转换次数为3/2=1。

它们的Jrao相似度为。

而、匹配的字符数为为6，需要转换的字符为a、r，所以转换次数为2/2=1。

它们Jrao相似度为。

此时与和的Jaro相似度相同，无法判断与哪个更相似，此时可以通过Jaro-Winkler Distance算法对Jaro相似度进行调整，假设常量因子为0.25。

、匹配字符的共同前缀ab的长度为2小于4，

所以它们的Jaro-Winkler相似度为。

而、匹配字符的共同前缀abo的长度为3小于4，

所以它们的Jaro-Winkler相似度为。

Jaro相似度相同的通过Jaro-Winkler Distance调整后可以比较出与哪个更相似。如上与更相似。