Levenshtein Distance(LD)-计算两字符串相似度算法

两字符串相似度计算方法有好多，现对基于编距的算法的相似度计算自己总结下。

    简单介绍下Levenshtein Distance(LD)：LD 可能衡量两字符串的相似性。它们的距离就是一个字符串转换成那一个字符串过程中的添加、删除、修改数值。

    举例：

• 如果str1="test"，str2="test"，那么LD(str1,str2) = 0。没有经过转换。   
• 如果str1="test"，str2="tent"，那么LD(str1,str2) = 1。str1的"s"转换"n"，转换了一个字符，所以是1。

如果它们的距离越大，说明它们越是不同。

     Levenshtein distance最先是由俄国科学家Vladimir Levenshtein在1965年发明，用他的名字命名。不会拼读，可以叫它edit distance（编辑距离）。

    Levenshtein distance可以用来：

• Spell checking(拼写检查)   
• Speech recognition(语句识别)   
• DNA analysis(DNA分析)   
• Plagiarism detection(抄袭检测)

LD用m*n的矩阵存储距离值。算法大概过程：

1. str1或str2的长度为0返回另一个字符串的长度。   
2. 初始化(n+1)*(m+1)的矩阵d，并让第一行和列的值从0开始增长。   
3. 扫描两字符串（n*m级的），如果：str1[i] == str2[j]，用temp记录它，为0。否则temp记为1。然后在矩阵d[i][j]赋于d[i-1][j]+1 、d[i][j-1]+1、d[i-1][j-1]+temp三者的最小值。   
4. 扫描完后，返回矩阵的最后一个值即d[n][m]

最后返回的是它们的距离。怎么根据这个距离求出相似度呢？因为它们的最大距离就是两字符串长度的最大值。对字符串不是很敏感。现我把相似度计算公式定为1-它们的距离/字符串长度最大值。

    源码：

package com.chenlb.algorithm;

/**
* 编辑距离的两字符串相似度
*
* @author chenlb 2008-6-24 下午06:41:55
*/
public class Similarity {

    private int min( int one, int two, int three) {
        int min = one;
        if (two < min) {
            min = two;
        }
        if (three < min) {
            min = three;
        }
        return min;
    }
   
    public int ld(String str1, String str2) {
        int d[][];    // 矩阵
        int n = str1.length();
        int m = str2.length();
        int i;    // 遍历str1的
        int j;    // 遍历str2的
        char ch1;    // str1的
        char ch2;    // str2的
        int temp;    // 记录相同字符,在某个矩阵位置值的增量,不是0就是1
        if (n == 0 ) {
            return m;
        }
        if (m == 0 ) {
            return n;
        }
        d = new int [n + 1 ][m + 1 ];
        for (i = 0 ; i <= n; i ++ ) {    // 初始化第一列
            d[i][ 0 ] = i;
        }
        for (j = 0 ; j <= m; j ++ ) {    // 初始化第一行
            d[ 0 ][j] = j;
        }
        for (i = 1 ; i <= n; i ++ ) {    // 遍历str1
            ch1 = str1.charAt(i - 1 );
            // 去匹配str2
            for (j = 1 ; j <= m; j ++ ) {
                ch2 = str2.charAt(j - 1 );
                if (ch1 == ch2) {
                    temp = 0 ;
                } else {
                    temp = 1 ;
                }
                // 左边+1,上边+1, 左上角+temp取最小
                d[i][j] = min(d[i - 1 ][j] + 1 , d[i][j - 1 ] + 1 , d[i - 1 ][j - 1 ] + temp);
            }
        }
        return d[n][m];
    }
   
    public double sim(String str1, String str2) {
        int ld = ld(str1, str2);
        return 1 - ( double ) ld / Math.max(str1.length(), str2.length());
    }
   
    public static void main(String[] args) {
        Similarity s = new Similarity();
        String str1 = " chenlb.blogjava.net " ;
        String str2 = " chenlb.javaeye.com " ;
        System.out.println( " ld= " + s.ld(str1, str2));
        System.out.println( " sim= " + s.sim(str1, str2));
    }
}

不知sim方法中的公式是合理，个人认为差强人意思，^_^

参考: http://www.merriampark.com/ld.htm