Jaro-Winkler Distance 浅析

这是一种计算两个字符串之间相似度的方法，想必都听过Edit Distance,Jaro-Winkler Distance 是Jaro Distance的一个扩展，而Jaro Distance（Jaro 1989;1995）据说是用来判定健康记录上两个名字是否相同，也有说是是用于人口普查，具体干什么就不管了，让我们先来看一下Jaro Distance的定义。

两个给定字符串S1和S2的Jaro Distance为：

 

• m是匹配的字符数；
• t是换位的数目。

两个分别来自S1和S2的字符如果相距不超过       时，我们就认为这两个字符串是匹配的；而这些相互匹配的字符则决定了换位的数目t，简单来说就是不同顺序的匹配字符的数目的一半即为换位的数目t，举例来说，MARTHA与MARHTA的字符都是匹配的，但是这些匹配的字符中，T和H要换位才能把MARTHA变为MARHTA,那么T和H就是不同的顺序的匹配字符，t=2/2=1.

那么这两个字符串的Jaro Distance即为:

 

而Jaro-Winkler则给予了起始部分就相同的字符串更高的分数，他定义了一个前缀p，给予两个字符串，如果前缀部分有长度为 的部分相同，则Jaro-Winkler Distance为：

• d_j是两个字符串的Jaro Distance
• 是前缀的相同的长度，但是规定最大为4
• p则是调整分数的常数，规定不能超过0.25，不然可能出现dw大于1的情况，Winkler将这个常数定义为0.1

这样，上面提及的MARTHA和MARHTA的Jaro-Winkler Distance为：

d _w = 0.944 + (3 * 0.1(1 − 0.944)) = 0.961

以上资料来源于维基百科：

http://en.wikipedia.org/wiki/Jaro-Winkler_distance

这样一来很容易写出这个算法的代码：

   1: double jaro_distance(string s1,string s2)

   2: {
    

   3:     if(s1.empty()||s2.empty())

   4:     {
    

   5:         if(s1.empty()&&s2.empty())

   6:             return 1.0;

   7:         return 0.0;