Edit Distance(编辑距离)
1. 编辑距离的定义
在计算机科学中,编辑距离用于度量任意两个字符串间不相似的程度,即二者之间的编辑距离越大表示两个字符串之间的差异就越大。
问题描述:
给定两个字符串x和y,只允许使用三种操作(插入一个字符、删除一个字符、修改一个字符)将x变换为y,求最少需要的操作次数。(更进一步,还需给出变换的具体步骤)【此编辑距离被称作Levenshtein distance】
P.S. 在Longest common subsequence (LCS) distance中只允许进行插入和删除两种操作。在Hamming Distance 中只允许进行替换操作。这就是这距离的关系,从广义上说它们都可以称作编辑距离,本文所说的编辑距离主要指:Levenshtein distance。
举例:
以”kitten”和”sitting”两个字符串为例,它们之间的编辑距离是3。因为可以通过如下3步将”kitten”变为”sitting”,且至少需要3步才能完成变化,具体步骤如下所示:
1. kitten → sitten (将"k"替换为"s")
2. sitten → sittin (将"e"替换为"i")
3. sittin → sitting (在末尾添加"g").
2. 编辑距离的性质
编辑距离满足度量公理,具备如下性质:
- d(a, b) = 0 if and only if a=b
- d(a, b) > 0 when a ≠ b
- d(a, b) = d(b, a) # by equality of the cost of each operation and its inverse.
- Triangle inequality: d(a, c) ≤ d(a, b) + d(b, c).
- LCS distance 的上限是两个字符串长度之和。
- LCS distance 是 Levenshtein distance 的上限。
- 对于等长串, Hamming distance 是 Levenshtein distance 的上限。
3. 编辑距离的应用
编辑距离在很多领域中都有这广泛的应用。在自然语言处理方面,常见的拼写自动纠错就是通过编辑距离来实现的,即计算用户输入的字符串与候选字符串集合中字符串的编辑距离,来为用户自动推荐最可能的单词或语言片段。在生物信息学中编辑距离经常用于度量两个基因DNA片段序列的相似程度,因为DNA片段可以看成是A、C、G和T碱基组成的序列串。
4. 编辑距离的计算
编辑距离最早采用 Wagner–Fischer algorithm 来进行求解,该算法采用动态规划的思想,也是各类算法教科书中常见的求解编辑距离的算法,本质上是数学归纳大法。
定义两个字符串分别为: a=a1a2...an 和 b=b1b2...bm , dmn 为 a1a2...an 与 b1b2...bm 之间的编辑距离。
由于编辑距离具有对称性(删除、插入、替换的三种操作的权重相同,且操作可逆),即 dmn=dnm 。在实际意义上,表示将 a 变成
我们假设将 b 变成
di0=∑ik=1wdel(bk)