Edit Distance(编辑距离)

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: $a=a_{\;1}a_{\;2}...a_{\;n}$ 和 $b=b_{\;1}b_{\;2}...b_{\;m}$，$d_{mn}$ 为 $a_{\;1}a_{\;2}...a_{\;n}$ 与 $b_{\;1}b_{\;2}...b_{\;m}$ 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 $d_{mn} = d_{nm}$。在实际意义上，表示将 $a$ 变成 $b$ 和将 $b$ 变成 $a$ 所需要的操作复杂度是相同的。
　　我们假设将 $b$ 变成 $a$ 的复杂度为$d_{mn}$，有如下关系式与分析：
　　
　　 di0=∑ik=1wdel(bk)