概述
在 Trie 树章节我们讲过,利用 Trie 树,可以实现搜索引擎的关键词提示功能,这样可以节省用户输入搜索关键词的时间。实际上,搜索引擎在用户体验方面的优化还有很多,比如你可能经常会用的拼写纠错功能。
当你在搜索框中,一不小心输错时,搜索引擎会非常智能地检测出你的拼写错误,并且用对应地正确的单词来进行搜索。作为一名软件工程师,你是否想过,这个功能是怎么实现的?
如何量化两个字符串的相似度?
计算机只认识数字,所以要解答开篇的问题,我们就要先来看,如何量化两个字符串之间的相似程度呢?有一个非常著名的量化方法,那就是编辑距离(Edit Distance)。
顾名思义,编辑距离指的就是,讲一个字符串转化成另一个字符串,需要的最少编辑操作次数(比如增加一个字符、删除一个字符、替换一个字符)。编辑距离越大,说明两个字符串的相似程度越小;相反,编辑距离越小,说明两个字符串的相似程度就越大。对于两个完全相同的字符串来说,编辑距离就是 0。
根据所包含的编辑操作的种类的不同,编辑距离有多种不同的计算方式,比较著名的有莱文斯坦距离(Levenshtein Distance)和最长公共子串长度(Longest common substring length)。其中,莱文斯坦距离允许增加、删除、替换字符这三个编辑操作,最长公共子串长度只允许增加、删除字符这两个编辑操作。
而且,莱文斯坦距离和最长公共子串长度,从两个截然相反的角度,分析字符串的相似程度。莱文斯坦距离的大小,表示两个字符串差异的大小;而最长公共子串的大小,表示两个字符串相似程度的大小。
关于这两个计算方法,我举个例子说明下。这里面,两个字符串 mitcmu 和 mtacnu 的莱文斯坦距离是 3,最长公共子串长度是 4。
了解了编辑距离的概念之后,我们来看下,如何快速计算两个字符串之间的编辑距离。
如何编程计算莱文斯坦距离?
思考过程比结论更重要,所以,现在就给你展示下,解决这个问题,我的完成的思考过程。
这个问题是求把一个字符串变成另一个字符串,需要的最少编辑次数。整个求解过程,设计过个决策阶段,我们需要依次考察一个字符串中的每个字符,跟另一个字符串中的字符是否匹配,匹配的话如何处理,不匹配的话如何处理。所以,这个问题符合多阶段决策最优解模型。
前面讲了,贪心、回溯、动态规划可以解决的问题,都可以抽象成一个模型。要解决这个问题,可以先看下,用最简单的回溯法,该如何解决。
回溯是一个递归处理的过程。如果 a[i] 与 b[j] 匹配,我们递归考察 a[i+1] 和 b[j+1] 。如果 a[i] 与 b[j] 不匹配,那我们有多种处理方式可选:
- 可以删除 a[i],然后递归考察 a[i+1] 和 b[j]。
- 可以删除 b[j],然后递归考察 a[i] 和 b[j+1]。
- 可以在 a[i] 前面添加一个跟 b[j] 相同的字符,然后递归考察 a[i] 和 b[j+1]。
- 可以在 b[j] 前面添加一个跟 a[i] 相同的字符,然后递归考察 a[i+1] 和 b[j]。
- 可以将 a[i] 替换成 b[j],或者将 b[j] 替换成 a[i],然后递归考察 a[i+1] 和 b[j+1]。
我们将上面的回溯算法的处理思路,翻译成代码,就是下面的样子:
private char[] a = "mitcmu".toCharArray();
private char[] b = "mtacnu".toCharArray();
private int n = 6;
private int m = 6;
private int minDist = Integer.MAX_VALUE; // 存储结果
// 调用方式 lwsBT(0,0,0)
public void lwsBT(int i, int j, int eDist) {
if (i==n || j==m) {
if (i < n) eDist += (n-i);
if (j < m) eDist += (m-j);
if (eDist < minDist) minDist = eDist;
}
if (a[i] == b[i]) { // 字符匹配
lwsBT(i+1, j+1, eDist);
} else { // 字符不匹配
lwsBT(i+1, j, eDist + 1); // 删除a[i],或者在b[j]前面添加一个跟a[i]相同的字符
lwsBT(i, j+1, eDist + 1); // 删除b[j],或者在a[i]前面添加一个跟b[j]相同的字符
lwsBT(i+1, j+1, eDist + 1); // 将a[i]替换成b[j],或者将b[j]替换成a[i]
}
}
根据回溯算法的代码实现,可以画出递归树,看看是否存在重复子问题。如果存在重复子问题,我们就可以考虑能否用动态规划来解决;如果不存在重复子问题,那回溯就是最好的解决方法。
在递归树中,每个节点代表一个状态,状态包含三个变量 (i,j,eDist),其中 eDist 表示处理到 a[i] 和 b[j] 时,已经执行的编辑操作的次数。
在递归树中,(i,j) 两个变量的重复节点很多,比如 (3,2) 、(2,3)。对于 (i,j) 相同的节点,我们只需要保留 eDist 最小的,继续递归就可以了。所以,状态就从 (i,j,eDist) 变成了 (i,j,min_dist),其中 min_dist 表示处理到 a[i] 和 b[j],已经执行的最少编辑次数。
看到这里,你有没有觉得,这个问题跟上两章将的动态规划的例子非常相似?不过,这个问题的状态转移方式,要比之前讲到的例子要复杂的多。上篇文章讲的矩阵最短路径问题中,到达 (i,j) 只能通过 (i-1,j) 或 (i,j-1) 两个状态转移过来,而本章这个问题,状态 (i,j) 可能从 (i-1,j) 、(i,j-1)、(i-1,j-1) 三个状态中的任意一个转移过来。
基于刚刚的分析,我们可以尝试着吧状态转移的过程,用公式写出来。这就是前面讲到的状态转移方程。
如果:a[i]!=b[j],那么 min_edist(i,j) 就等于:
min(min_edist(i-1,j)+1, min_edist(i,j-1)+1, min_edist(i-1,j-1)+1)
如果:a[i]=b[j],那么 min_edist(i,j) 就等于:
min(min_edist(i-1,j)+1, min_edist(i,j-1)+1, min_edist(i-1,j-1))
其中,min表示求三个数中的最小值
了解了状态与状态之间的递推关系,我们画出一个二维的状态表,按照行依次来填充表中的每个值。
现在既有状态转移方便,又理清了完整的填表过程,代码实现就非常简单了。
public int lwstDP(char[] a, int n, char[] b, int m) {
int[][] minDist = new int[n][m];
for (int j = 0; j < m; j++) { // 初始化第0行: a[0..0]与b[0..j]的编辑巨鹿
if (a[0] == b[j]) minDist[0][j] = j;
else if (j != 0) minDist[0][j] = minDist[0][j-1] + 1;
else minDist[0][j]=1;
}
for (int i = 0; i < m; i++) { // 初始化第0列: a[0..i]与b[0..0]的编辑巨鹿
if (a[i] == b[0]) minDist[i][0] = i;
else if (i != 0) minDist[i][0] = minDist[i][0] + 1;
else minDist[i][0]=1;
}
for (int i = 1; i < n; i++) { // 按行填表
for (int j = 1; j < m; j++) {
if (a[i] == a[j]) minDist[i][j] = min(minDist[i-1][j]+1, minDist[i][j-1]+1, minDist[i-1][j-1]);
else minDist[i][j] = min(minDist[i-1][j]+1, minDist[i][j-1]+1, minDist[i-1][j-1]+1);
}
}
return minDist[n-1][m-1];
}
private int min(int x, int y, int z) {
int minV = Integer.MAX_VALUE;
if (x < minV) minV = x;
if (y < minV) minV = y;
if (z < minV) minV = z;
return minV;
}
你可能会说,虽然能看懂你讲的思路,但遇到新的问题,我还是会感觉无从下手。这种感觉是非常正常的。关于复杂算法问题的解决思路,还有一些经验、技巧,可以分享给你
当我们拿到一个问题时,我们可以先不考虑,计算机如何实现这个问题,而是单穿考虑 “人脑” 会如何去解决这个问题。人脑比较倾向于思考具象化、摸的着看得见的东西,不适合思考过于抽象的问题。所以,我们需要把抽象问题具象化。那如何具象化呢?我们可以实例化几个测试数据,通过人脑去分析具体实例的解,然后总结规律,再尝试套用学过的算法,看看能够解决。
此外,还有一个非常有效、但也算不上技巧的东西,那就是多练。实际上,等你做多了题目之后,自然就会有感觉,看到问题,立马就能想到能否动用动态规划解决,然后直接就可以寻找最优子结构,写出动态规划方程,然后将状态转移翻译成代码。
如何编程计算最长公共子串长度?
前面我们讲到,最长公共子串作为编辑距离的一种,只允许增加、删除字符两种操作。从名字上,你可能觉得它看起来跟编辑距离没什么关系。实际上,从本质上说,它表征也是两个字符串之间的相似程度。
这个问题的解决思路,跟莱文斯坦距离的解决思路非常相似,也可以用动态规划来解决。刚刚已经详细讲解了莱文斯坦距离的动态规划,所以针对这个问题,我直接定义状态,然后写状态转移方程。
每个状态还是包括三个变量 (i,j,max_lcs),max_lcs 表示 a[0…i] 和 b[0…j] 的最长公共子串长度。那 (i,j) 这个状态都是由哪些状态转移过来的呢?
我们先来看看回溯的处理思路。我们从 a[0] 和 b[0] 开始,依次考察各个字符串中的字符是否匹配。
- 如果 a[i] 与 b[j] 互相匹配,我们将最长公共子串长度加一,并且继续考察 a[i+1] 与 b[j+1]。
- 如果 a[i] 与 b[j] 不匹配,最长公共子串长度不变,这个时候,有两种不同的决策陆续:
- 删除 a[i],或者在 b[j] 前面加上一个字符,然后继续考察 a[i+1] 与 b[j]。
- 删除 b[j],或者在 a[i] 前面加上一个字符,然后继续考察 a[i] 与 b[j+1]。
反过来也就是说,如果我们要计算 a[0…i] 和 b[0…j] 的最长公共子串长度 max_lcs(i,j),我们只能通过下面三个状态转移过来:
- (i-1,j-1,max_lcs),其中 max_lcs 是 a[0…i-1] 和 b[0…j-1] 的最长公共子串长度。
- (i-1,j,max_lcs),其中 max_lcs 是 a[0…i-1] 和 b[0…j] 的最长公共子串长度。
- (i,j-1,max_lcs),其中 max_lcs 是 a[0…i] 和 b[0…j-1] 的最长公共子串长度。
如果把这个转移过程,用状态转移方程写出来,就是下面这个样子:
如果:a[i]==b[j],那么max_lcs就等于:
max((i-1,j-1,max_lcs)+1, (i-1,j,max_lcs), (i,j-1,max_lcs))
如果:a[i]!=b[j],那么max_lcs就等于:
max((i-1,j-1,max_lcs), (i-1,j,max_lcs), (i,j-1,max_lcs))
其中max表示求三数中的最大值
有了状态转移方程,代码实现就简单多了。
public int lcs(char[] a, int n, char[] b, int m) {
int[][] maxlcs = new int[n][m];
for (int j = 0; j < m; j++) { // 初始化第0行,a[0..0]与b[0..j]的maxlcs
if (a[0] == b[j]) maxlcs[0][j] = 1;
else if (j != 0) maxlcs[0][j] = maxlcs[0][j-1];
else maxlcs[0][j] = 0;
}
for (int i = 0; i < n; i++) { // 初始化第0列,a[0..i]与b[0..0]的maxlcs
if (a[i] = b[0]) maxlcs[i][0] = 1;
else if (i != 0) maxlcs[i][0] = maxlcs[i - 1][0];
else maxlcs[i][0] = 0;
}
for (int i = 0; i < n; i++) { // 填状态表
for (int j = 0; j < m; j++) {
if (a[i] == b[j]) max(maxlcs[i-1][j-1]+1, maxlcs[i][j-1], maxlcs[i-1][j]);
else max(maxlcs[i-1][j-1], maxlcs[i][j-1], maxlcs[i-1][j]);
}
}
}
private int max(int x, int y, int z) {
int maxv = Integer.MIN_VALUE;
if (x > maxv) maxv = x;
if (y > maxv) maxv = z;
if (z > maxv) maxv = z;
return maxv;
}
如何实现搜索引擎中的拼写纠错功能?
用户在搜索框内,输入一个拼写错误的单词,我们就拿这个单词跟词库中的单词一一进行比较,计算编辑距离,将编辑距离小最小的单词,作为纠正之后的单词,提示给用户。
这就是拼写纠错最基本的原理。不过,真正用于商业的搜索引擎,拼写纠错功能显然不会这么简单。一方面,单纯利用编辑距离来纠错,效果并不一定好;另一方面,词库中的数据量可能很大,搜索引擎每天要支持海量的搜索,所以对纠错额度性能要求很高。
针对纠错效果不好的问题,我们有很多种优化的思路,这里我介绍几种。
- 我们并不仅仅取出编辑距离最小的那个单词,而是取出编辑距离最小的 TOP 10,然后根据其他参数,决策选择哪个单词作为拼写纠错单词。比如使用搜索热门程度来决定哪个单词作为拼写纠错单词。
- 我们还可以用多种编辑距离计算方法,比如本章讲到的两种,然后分别编辑距离最小的 TOP 10,然后求交集,用交集的结果,再继续优化处理。
- 我们还可以通过统计用户的搜索日志,得到最常被拼错的单词列表,以及对应的拼写正确的单词。搜索引擎在拼写纠错的时候,首先在这个最常被拼错单词列表中查找。如果一旦被找到,直接返回对应的正确的单词。这样纠错效果非常好。
- 还有更加高级一点的做法,引入个性化因素。针对每个用户,维护这个用户特有的搜索喜好,也就是常用的搜索关键词。当用户输入错误的单词时,我们首先在这个用户常用的搜索关键词中,计算编辑距离,查找编辑距离最小的单词。
针对纠错性能方面,我们也有相应的优化方式。这里讲两种分支的优化思路。
- 如果纠错功能的 TPS 不高,我们可以部署多台机器,每台机器运行一个独立的纠错功能。当有一个纠错请求的时候,我们通过负载均衡,分配到其中一台机器,来计算编辑距离,得到纠错单词。
- 如果纠错系统的响应时间太长,也就是每个纠错请求处理时间过长,我们可以将纠错的词库,分割到很多台机器。当有一个纠错请求的时候,我们就将这个拼写错误的单词,同时发送到这么多台机器,让多台机器,分别得到编辑距离最小的单词,然后再比对合并,最终决出一个最优的纠错单词。
真正的搜索引擎的拼写纠错优化,肯定不止我们讲的这么简单,但是万变不离其宗。掌握了核心原理,就是掌握了解决问题的方法,剩下就靠你自己的灵活运用和实战操练了。
小结
动态规划的内容到此就讲完了,不知道你掌握得如何呢?
动态规划的理论尽管不复杂,总结起来就是 “一个模型三个特征”。但是,要想灵活应用并不简单。要想真正理解、掌握动态规划,你只有多联系。
这三篇文章中讲到的几个动态规划问题都非常经典,是我精心筛选出来的。很多动态规划问题其实都可以抽象成这几个问题模型,所以,你一定要多看几遍,多思考一下,争取真正搞懂它们。
只要弄懂这几个问题,一般的动态规划问题,你应该都可以应付。对于动态规划这个知识点,你就算是入门了,再学习更加复杂的就会简单很多。