最小编辑距离算法 Edit Distance（经典DP）
转载baodream 最后发布于2018-05-23 11:36:32 阅读数 22226 收藏
展开
编辑距离（Edit Distance），又称Levenshtein距离，是指两个字串之间，由一个转成另一个所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。一般来说，编辑距离越小，两个串的相似度越大。
最小编辑距离模板：
-
int dp[1005][1005]; /*dp[i][j]表示表示A串从第0个字符开始到第i个字符和B串从第0个 -
字符开始到第j个字符，这两个字串的编辑距离。字符串的下标从1开始。*/ -
char a[1005],b[1005]; //a,b字符串从下标1开始 -
int EditDis() -
{ -
int len1 = strlen(a+1); -
int len2 = strlen(b+1); -
//初始化 -
for(int i=1;i<=len1;i++) -
for(int j=1;j<=len2;j++) -
dp[i][j] = INF; -
for(int i=1;i<=len1;i++) -
dp[i][0] = i; -
for(int j=1;j<=len2;j++) -
dp[0][j] = j; -
for(int i=1;i<=len1;i++) -
{ -
for(int j=1;j<=len2;j++) -
{ -
int flag; -
if(a[i]==b[j]) -
flag=0; -
else -
flag=1; -
dp[i][j]=min(dp[i-1][j]+1,min(dp[i][j-1]+1,dp[i-1][j-1]+flag)); -
//dp[i-1][j]+1表示删掉字符串a最后一个字符a[i] -
//dp[i][j-1]+1表示给字符串添加b最后一个字符 -
//dp[i-1][j-1]+flag表示改变,相同则不需操作次数,不同则需要,用flag记录 -
} -
} -
return dp[len1][len2]; -
}
概念
字符串的编辑距离，又称为Levenshtein距离，由俄罗斯的数学家Vladimir Levenshtein在1965年提出。是指利用字符操作，把字符串A转换成字符串B所需要的最少操作数。其中，字符操作包括：
- 删除一个字符 a) Insert a character
- 插入一个字符 b) Delete a character
- 修改一个字符 c) Replace a character
例如对于字符串"if"和"iff"，可以通过插入一个'f'或者删除一个'f'来达到目的。
一般来说，两个字符串的编辑距离越小，则它们越相似。如果两个字符串相等，则它们的编辑距离（为了方便，本文后续出现的“距离”，如果没有特别说明，则默认为“编辑距离”）为0（不需要任何操作）。不难分析出，两个字符串的编辑距离肯定不超过它们的最大长度（可以通过先把短串的每一位都修改成长串对应位置的字符，然后插入长串中的剩下字符）。
问题描述
给定两个字符串A和B，求字符串A至少经过多少步字符操作变成字符串B。
问题分析
1）首先考虑A串的第一个字符
假设存在两个字符串A和B，他们的长度分别是lenA和lenB。首先考虑第一个字符，由于他们是一样的，所以只需要计算A[2...lenA]和B[2...lenB]之间的距离即可。那么如果两个字符串的第一个字符不一样怎么办？可以考虑把第一个字符变成一样的（这里假设从A串变成B串）：
- 修改A串的第一个字符成B串的第一个字符，之后仅需要计算A[2...lenA]和B[2...lenB]的距离即可；
- 删除A串的第一个字符，之后仅需要计算A[2...lenA]和B[1...lenB]的距离即可；
- 把B串的第一个字符插入到A串的第一个字符之前，之后仅需要计算A[1...lenA]和B[2...lenB]的距离即可。
2）接下来考虑A串的第i个字符和B串的第j个字符。
我们这个时候不考虑A的前i-1字符和B串的第j-1个字符。如果A串的第i个字符和B串的第j个字符相等，即A[i]=B[j]，则只需要计算A[i...lenA]和B[j...lenB]之间的距离即可。如果不想等，则：
- 修改A串的第i个字符成B串的第j个字符，之后仅需要计算A[i+1...lenA]和B[j+1...lenB]的距离即可；
- 删除A串的第i个字符，之后仅需要计算A[i+1...lenA]和B[j...lenB]的距离即可；
- 把B串的第j个字符插入到A串的第i个字符之前，之后仅需要计算A[i...lenA]和B[j+1...lenB]的距离即可。
写到这里，自然会想到用递归求解或者动态规划求解，由于用递归会产生很多重复解，所以用动态规划。
建动态规划方程
用edit[i][j]表示A串和B串的编辑距离。edit[i][j]表示A串从第0个字符开始到第i个字符和B串从第0个字符开始到第j个字符，这两个字串的编辑距离。字符串的下标从1开始。
dis[0][0]表示word1和word2都为空的时候，此时他们的Edit Distance为0。很明显可以得出的，dis[0][j]就是word1为空，word2长度为j的情况，此时他们的Edit Distance为j，也就是从空，添加j个字符转换成word2的最小Edit Distance为j；同理dis[i][0]就是，word1长度为i，word2为空时，word1需要删除i个字符才能转换成空，所以转换成word2的最小Edit Distance为i。
则从上面的分析，不难推导出动态规划方程：
，其中
上式中的min（）函数中的三个部分，对应三种字符操作方式：
edit[i-1][j]+1相当于给word2的最后插入了word1的最后的字符，插入操作使得edit+1，之后计算edit[i-1][j]；
edit[i][j-1]+1相当于将word2的最后字符删除，删除操作edit+1，之后计算edit[i][j-1];
edit[i-1][j-1]+flag相当于通过将word2的最后一个字符替换为word1的最后一个字符。flag标记替换的有效次数。
算法分析：
也就是说，就是将一个字符串变成另外一个字符串所用的最少操作数，每次只能增加、删除或者替换一个字符。
首先我们令word1和word2分别为：michaelab和michaelxy（为了理解简单，我们假设word1和word2字符长度是一样的），dis[i][j]作为word1和word2之间的Edit Distance，我们要做的就是求出michaelx到michaely的最小steps。
首先解释下dis[i][j]：它是指word1[i]和word2[j]的Edit Distance。dis[0][0]表示word1和word2都为空的时候，此时他们的Edit Distance为0。很明显可以得出的，dis[0][j]就是word1为空，word2长度为j的情况，此时他们的Edit Distance为j，也就是从空，添加j个字符转换成word2的最小Edit Distance为j；同理dis[i][0]就是，word1长度为i，word2为空时，word1需要删除i个字符才能转换成空，所以转换成word2的最小Edit Distance为i。下面及时初始化代码：
for (int i = 0; i < row; i++) dis[i][0] = i;
for (int j = 0; j < col; j++) dis[0][j] = j;
下面来分析下题目规定的三个操作：添加，删除，替换。 假设word1[i]和word2[j](此处i = j)分别为：michaelab和michaelxy 如果b==y, 那么：dis[i][j] = dis[i-1][j-1]。 如果b!=y， 那么：添加：也就是在michaelab后面添加一个y，那么word1就变成了michaelaby， 此时 dis[i][j] = 1 + dis[i][j-1]； 上式中，1代表刚刚的添加操作，添加操作后，word1变成michaelaby，word2为michaelxy。 dis[i][j-1]代表从word1[i]转换成word2[j-1]的最小Edit Distance，也就是michaelab转换成michaelx的最小 Edit Distance，由于两个字符串尾部的y==y，所以只需要将michaelab变成michaelx就可以了，而他们之间的最 小Edit Distance就是dis[i][j-1]。 删除：也就是将michaelab后面的b删除，那么word1就变成了michaela，此时dis[i][j] = 1 + dis[i-1][j]； 上式中，1代表刚刚的删除操作，删除操作后，word1变成michaela，word2为michaelxy。dis[i-1][j]代表从 word[i-1]转换成word[j]的最小Edit Distance，也就是michaela转换成michaelxy的最小Edit Distance，所以 只需要将michaela变成michaelxy就可以了，而他们之间的最小Edit Distance就是dis[i-1][j]。 替换：也就是将michaelab后面的b替换成y，那么word1就变成了michaelay，此时dis[i][j] = 1 + dis[i-1][j-1]； 上式中，1代表刚刚的替换操作，替换操作后，word1变成michaelay，word2为michaelxy。dis[i-1][j-1]代表从 word[i-1]转换成word[j-1]的最小Edit Distance，也即是michaelay转换成michaelxy的最小Edit Distance，由 于两个字符串尾部的y==y，所以只需要将michaela变成michaelx就可以了，而他们之间的最小Edit Distance就是 dis[i-1][j-1]。 举例： 比如要计算cafe和coffee的编辑距离。cafe→caffe→coffe→coffee
先创建一个6×8的表（cafe长度为4，coffee长度为6，各加2）
（1）：
| c | o | f | f | e | e | ||
| c | |||||||
| a | |||||||
| f | |||||||
| e | 表 | 1 |
接着，在如下位置填入数字（表2）：
| c | o | f | f | e | e | ||
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | |
| c | 1 | ||||||
| a | 2 | ||||||
| f | 3 | ||||||
| e | 4 | 表 | 2 |
从3,3格开始，开始计算。取以下三个值的最小值：
-
如果最上方的字符等于最左方的字符，则为左上方的数字。否则为左上方的数字+1。（对于3,3来说为0）
-
左方数字+1（对于3,3格来说为2）
-
上方数字+1（对于3,3格来说为2）
因此为格3,3为0（表3）
| c | o | f | f | e | e | ||
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | |
| c | 1 | 0 | |||||
| a | 2 | ||||||
| f | 3 | ||||||
| e | 4 | 表 | 3 |
循环操作，推出下表
| c | o | f | f | e | e | ||
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | |
| c | 1 | 0 | 1 | 2 | 3 | 4 | 5 |
| a | 2 | 1 | 1 | 2 | 3 | 4 | 5 |
| f | 3 | 2 | 2 | 1 | 2 | 3 | 4 |
| e | 4 | 3 | 3 | 2 | 2 | 2 | 3 |
取右下角，得编辑距离为3
编辑距离
分解问题, 问题基础上退化一步,
想法
编辑距离算法被数据科学家广泛应用，是用作机器翻译和语音识别评价标准的基本算法。
最直观的方法是暴力检查所有可能的编辑方法，取最短的一个。所有可能的编辑方法达到指数级，但我们不需要进行这么多计算，因为我们只需要找到距离最短的序列而不是所有可能的序列。
方法一：动态规划
思路和算法
我们可以对任意一个单词进行三种操作：
-
插入一个字符；
-
删除一个字符；
-
替换一个字符。
题目给定了两个单词，设为 A 和 B，这样我们就能够六种操作方法。
但我们可以发现，如果我们有单词 A 和单词 B：
-
对单词
A删除一个字符和对单词B插入一个字符是等价的。例如当单词A为doge，单词B为dog时，我们既可以删除单词A的最后一个字符e，得到相同的dog，也可以在单词B末尾添加一个字符e，得到相同的doge； -
同理，对单词
B删除一个字符和对单词A插入一个字符也是等价的； -
对单词
A替换一个字符和对单词B替换一个字符是等价的。例如当单词A为bat，单词B为cat时，我们修改单词A的第一个字母b -> c，和修改单词B的第一个字母c -> b是等价的。
这样以来，本质不同的操作实际上只有三种：
-
在单词
A中插入一个字符； -
在单词
B中插入一个字符； -
修改单词
A的一个字符。
这样以来，我们就可以把原问题转化为规模较小的子问题。我们用 A = horse，B = ros 作为例子，来看一看是如何把这个问题转化为规模较小的若干子问题的。
-
在单词
A中插入一个字符：如果我们知道horse到ro的编辑距离为a，那么显然horse到ros的编辑距离不会超过a + 1。这是因为我们可以在a次操作后将horse和ro变为相同的字符串，只需要额外的1次操作，在单词A的末尾添加字符s，就能在a + 1次操作后将horse和ro变为相同的字符串； -
在单词
B中插入一个字符：如果我们知道hors到ros的编辑距离为b，那么显然horse到ros的编辑距离不会超过b + 1，原因同上； -
修改单词
A的一个字符：如果我们知道hors到ro的编辑距离为c，那么显然horse到ros的编辑距离不会超过c + 1，原因同上。
那么从 horse 变成 ros 的编辑距离应该为 min(a + 1, b + 1, c + 1)。
注意：为什么我们总是在单词 A 和 B 的末尾插入或者修改字符，能不能在其它的地方进行操作呢？答案是可以的，但是我们知道，操作的顺序是不影响最终的结果的。例如对于单词 cat，我们希望在 c 和 a 之间添加字符 d 并且将字符 t 修改为字符 b，那么这两个操作无论为什么顺序，都会得到最终的结果 cadb。
你可能觉得 horse 到 ro 这个问题也很难解决。但是没关系，我们可以继续用上面的方法拆分这个问题，对于这个问题拆分出来的所有子问题，我们也可以继续拆分，直到：
-
字符串
A为空，如从 转换到ro，显然编辑距离为字符串B的长度，这里是2； -
字符串
B为空，如从horse转换到 ，显然编辑距离为字符串A的长度，这里是5。
因此，我们就可以使用动态规划来解决这个问题了。我们用 D[i][j] 表示 A 的前 i 个字母和 B 的前 j 个字母之间的编辑距离。
如上所述，当我们获得 D[i][j-1]，D[i-1][j] 和 D[i-1][j-1] 的值之后就可以计算出 D[i][j]。
-
D[i][j-1]为A的前i个字符和B的前j - 1个字符编辑距离的子问题。即对于B的第j个字符，我们在A的末尾添加了一个相同的字符，那么D[i][j]最小可以为D[i][j-1] + 1； -
D[i-1][j]为A的前i - 1个字符和B的前j个字符编辑距离的子问题。即对于A的第i个字符，我们在B的末尾添加了一个相同的字符，那么D[i][j]最小可以为D[i-1][j] + 1； -
D[i-1][j-1]为A前i - 1个字符和B的前j - 1个字符编辑距离的子问题。即对于B的第j个字符，我们修改A的第i个字符使它们相同，那么D[i][j]最小可以为D[i-1][j-1] + 1。特别地，如果A的第i个字符和B的第j个字符原本就相同，那么我们实际上不需要进行修改操作。在这种情况下，D[i][j]最小可以为D[i-1][j-1]。
那么我们可以写出如下的状态转移方程：
-
若
A和B的最后一个字母相同：\begin{aligned} D[i][j] &= \min(D[i][j - 1] + 1, D[i - 1][j]+1, D[i - 1][j - 1])\\ &= 1 + \min(D[i][j - 1], D[i - 1][j], D[i - 1][j - 1] - 1) \end{aligned}D[i][j]=min(D[i][j−1]+1,D[i−1][j]+1,D[i−1][j−1])=1+min(D[i][j−1],D[i−1][j],D[i−1][j−1]−1)
-
若
A和B的最后一个字母不同：D[i][j] = 1 + \min(D[i][j - 1], D[i - 1][j], D[i - 1][j - 1])D[i][j]=1+min(D[i][j−1],D[i−1][j],D[i−1][j−1])
所以每一步结果都将基于上一步的计算结果，示意如下：
对于边界情况，一个空串和一个非空串的编辑距离为 D[i][0] = i 和 D[0][j] = j，D[i][0] 相当于对 word1 执行 i 次删除操作，D[0][j] 相当于对 word1执行 j 次插入操作。
综上我们得到了算法的全部流程。
5155
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
