《Natural Language Processing》斯坦福视频学习笔记——3.编辑距离

本篇介绍Leventice distance以及它的变种，主要包括：

• Leventice distance及其复杂度
• 基于权重的编辑距离
• Needleman-Wunsch算法
• 改进的算法
• Smith-Waterman算法
• Smith-Waterman与 Needleman-Wunsch对比

具体内容如下：

• Leventice distance：
  代价（cost）:删除-1，插入-1，替换-2
  
• 如何确定编辑距离：
  （1）初始状态，目标状态
  （2）操作：删除、插入、替换
  （3）操作路径的代价，即cost
  公式：
  
  
• 复杂度：
  时间：O(nm)
  空间：O(nm)
  回溯：O(n+m)
  
• 基于权重的编辑距离：
  
  
• Needleman-Wunsch算法：
  
  
• 改进的算法：
  思想：改变初始和结束匹配的位置，如：
• 
  改变后的策略：
  
  
• Smith-Waterman算法：
  对上面改进算法的改进，找到最大子串，从中间开始。
  改进的地方：
  
  
• Smith-Waterman 算法与 Needleman-Wunsch 算法存在着三个区别：
  

   （1）在初始化阶段，第一行和第一列全填充为 0（而且第一行和第一列的指针均为空）。

   （2）在填充表格时，如果某个得分为负，那么就用 0 代替，只对得分为正的单元格添加返回指针。

   （3）在回溯的时候，从得分最高的单元格开始，回溯到得分为 0 的单元格为止。除此之外，回溯的方式与 Needleman-Wunsch 算法完全相同。
  两者详细介绍参考：
  http://blog.csdn.net/hugeheadhuge/article/details/6329558

总结：

• 编辑距离无论算法的核心在于3个操作：insert、delete和substitute
• Needleman-Wunsch算法的核心是全局序列比对，引入了d和s，使得编辑距离可能为负值
• Smith-Waterman算法的核心是局部序列比对，对于小于0的值会用0代替，只有大于0的值才有指针