编辑距离与字符错误率CER

在语音识别场景中，字符错误率（Character Error Rate，CER）是衡量语音识别效果的一个重要指标。下文将介绍CER的原理，并且给出python实现的代码。

1 编辑距离

说到CER，不得不提的是编辑距离（Edit Distance），它是一个用来衡量两个序列的相似度指标。

假设有两个字符串（a和b），编辑距离是指把字符串a修改成b（或者把b改成a）需要的最少编辑次数。编辑的操作只能有三种：

• 插入（Insertion）
• 删除（Deletion）
• 替换（Substitution）

比如，把cat修改成cafe可以这样编辑：

1. cat --> caf（替换）
2. caf --> cafe（插入）

也可以这样编辑：

1. cat --> cate（插入）
2. cate --> cafe（替换）

1.1 原理

将两个字符串a和b的编辑距离表示为$le{v}_{a,b}$。之所以用$lev$，是因为编辑距离的作者叫Levenshtein，所以编辑距离也叫Levenshtein Distance。

用$le{v}_{a,b}(i,j)$表示字符串a的前i个字符与b的前j个字符间的编辑距离，比如，$le{v}_{cat,cafe}(2,3)$就表示ca与caf之间编辑距离。

Levenshtein Distance的思路就是，要计算字符串之间的距离，先计算子串间的距离，要计算子串间的距离，先计算子子串间的距离，如此分解下去。用数学语言表示，就是下面这个公式

$$le{v}_{a,b}(i,j)=\{\begin{array}{l}max(i,j)\\ min\{\begin{array}{l}le{v}_{a,b}(i-1,j)+1\\ le{v}_{a,b}(i,j-1)+1\\ le{v}_{a,b}(i-\end{array}\end{array}$$