由于最近的项目需要,有幸接触到了这方面的算法问题,字符串相似度,顾名思义,就是指两个字符串的相似程度。这一类的算法有很多,主要有编辑距离算法(Levenshtein Distance)、最长公共子串算法(CLS)、还有google的余弦算法。最终根据项目需求决定使用编辑距离算法(Levenshtein Distance),下面就来详细说明一下Levenshtein Distance的具体实现。
编辑距离算法最先是由俄国科学家Levenshtein提出的,所以这个算法也叫做Levenshtein Distance算法。用最简单的一句话来说明这个算法就是:通过插入、删除、替换方法将字符串A变成字符串B所有的步骤就是算法中提到的编辑距离,最简单的相似度即编辑距离的倒数。
例如:
字符串A | 字符串B | A -> B | 编辑距离 |
---|---|---|---|
abcde | abbde | 将字符串B的b替换字符串A的c | 1 |
abcdefg | adcdbfg | 将字符串A第二位上的b变为d,将第五位上的e变为b | 2 |
该算法的具体实现有以下几个步骤:
1. 获取字符串A和字符串B的长度,分为记为A_Length和B_Length
如果 A_Length = 0 则编辑距离为B_Length
如果 B_Length = 0 则编辑距离为A_Length
如果 A_Length != 0 且 B_Length != 0 那么构造一个(A_Length+1) x (B_Length+1)矩阵Matrix[A_Length+1,B_Length+1]
2. 初始化矩阵的第一行和第一列,从0开始逐位递增,如下图:
矩阵的序号 | 0 | 1 | 2 | 3 | .... | B_Length |
0 | 0 | 1 | 2 | 3 | .... | B_Length |
1 | 1 | x | x | x | x | x |
2 | 2 | x | x | x | x | x |
3 | 3 | x | x | x | x | x |
.... | .... | x | x | x | x | x |
A_Length | A_Length | x | x | x | x | x |
3. 从Matrix[1,1]开始逐位遍历矩阵Matrix即:
- for(int i=1; i< A_Length+1; i++)
- {
- for(int j=1; j<B_Length+1; j++)
- {
- //进行比较
- }
- }
4. 如果A[i] = B[j] 则编辑距离为0
如果A[i] != B[j] 则编辑距离为1
5. 更新矩阵单元格Matrix[i,j]的值,算法如下:
a = Matrix[i-1,j] + 1
b = Matrix[i,j-1] + 1
c = Matrix[i-1,j-1] + 第四步骤中的编辑距离
Matrix[i,j] = a,b,c中的最小值
6. 重复上述从3-5的步骤,最后得到单元格Matrix[A_Length,B_Length]的值即从字符串A到字符串B的编辑距离
具体C#实现如下
- public class LevenshteinDistance
- {
- #region 私有变量
- /// <summary>
- /// 字符串1
- /// </summary>
- private char[] _ArrChar1;
- /// <summary>
- /// 字符串2
- /// </summary>
- private char[] _ArrChar2;
- /// <summary>
- /// 统计结果
- /// </summary>
- private Result _Result;
- /// <summary>
- /// 开始时间
- /// </summary>
- private DateTime _BeginTime;
- /// <summary>
- /// 结束时间
- /// </summary>
- private DateTime _EndTime;
- /// <summary>
- /// 计算次数
- /// </summary>
- private int _ComputeTimes;
- /// <summary>
- /// 算法矩阵
- /// </summary>
- private int[,] _Matrix;
- /// <summary>
- /// 矩阵列数
- /// </summary>
- private int _Column;
- /// <summary>
- /// 矩阵行数
- /// </summary>
- private int _Row;
- #endregion
- #region 属性
- public Result ComputeResult
- {
- get { return _Result; }
- }
- #endregion
- #region 构造函数
- public LevenshteinDistance(string str1, string str2)
- {
- this.LevenshteinDistanceInit(str1,str2);
- }
- public LevenshteinDistance()
- {
- }
- #endregion
- #region 算法实现
- /// <summary>
- /// 初始化算法基本信息
- /// </summary>
- /// <param name="str1">字符串1</param>
- /// <param name="str2">字符串2</param>
- private void LevenshteinDistanceInit(string str1,string str2)
- {
- _ArrChar1 = str1.ToCharArray();
- _ArrChar2 = str2.ToCharArray();
- _Result = new Result();
- _ComputeTimes = 0;
- _Row = _ArrChar1.Length + 1;
- _Column = _ArrChar2.Length + 1;
- _Matrix = new int[_Row, _Column];
- }
- /// <summary>
- /// 计算相似度
- /// </summary>
- public void Compute()
- {
- //开始时间
- _BeginTime = DateTime.Now;
- //初始化矩阵的第一行和第一列
- this.InitMatrix();
- int intCost = 0;
- for (int i = 1; i < _Row; i++)
- {
- for (int j = 1; j < _Column; j++)
- {
- if (_ArrChar1[i - 1] == _ArrChar2[j - 1])
- {
- intCost = 0;
- }
- else
- {
- intCost = 1;
- }
- //关键步骤,计算当前位置值为左边+1、上面+1、左上角+intCost中的最小值
- //循环遍历到最后_Matrix[_Row - 1, _Column - 1]即为两个字符串的距离
- _Matrix[i, j] = this.Minimum(_Matrix[i - 1, j] + 1, _Matrix[i, j - 1] + 1, _Matrix[i - 1, j - 1] + intCost);
- _ComputeTimes++;
- }
- }
- //结束时间
- _EndTime = DateTime.Now;
- //相似率 移动次数小于最长的字符串长度的20%算同一题
- int intLength = _Row > _Column ? _Row : _Column;
- _Result.Rate = (1 - (double)_Matrix[_Row - 1, _Column - 1] / intLength).ToString().Substring(0, 6);
- if (_Result.Rate.Length > 6)
- {
- _Result.Rate = _Result.Rate.Substring(0, 6);
- }
- _Result.UseTime = (_EndTime - _BeginTime).ToString();
- _Result.ComputeTimes = _ComputeTimes.ToString() + " 距离为:" + _Matrix[_Row - 1, _Column - 1].ToString();
- }
- /// <summary>
- /// 计算相似度
- /// </summary>
- /// <param name="str1">字符串1</param>
- /// <param name="str2">字符串2</param>
- public void Compute(string str1,string str2)
- {
- this.LevenshteinDistanceInit(str1, str2);
- this.Compute();
- }
- /// <summary>
- /// 初始化矩阵的第一行和第一列
- /// </summary>
- private void InitMatrix()
- {
- for (int i = 0; i < _Column; i++)
- {
- _Matrix[0, i] = i;
- }
- for (int i = 0; i < _Row; i++)
- {
- _Matrix[i, 0] = i;
- }
- }
- /// <summary>
- /// 取三个数中的最小值
- /// </summary>
- /// <param name="First"></param>
- /// <param name="Second"></param>
- /// <param name="Third"></param>
- /// <returns></returns>
- private int Minimum(int First, int Second, int Third)
- {
- int intMin = First;
- if (Second < intMin)
- {
- intMin = Second;
- }
- if (Third < intMin)
- {
- intMin = Third;
- }
- return intMin;
- }
- #endregion
- }
- /// <summary>
- /// 计算结果
- /// </summary>
- public struct Result
- {
- /// <summary>
- /// 相似度
- /// </summary>
- public string Rate;
- /// <summary>
- /// 对比次数
- /// </summary>
- public string ComputeTimes;
- /// <summary>
- /// 使用时间
- /// </summary>
- public string UseTime;
- }
实际项目使用效果:
代码调用:
debug效果: