字符串相似度算法和最大公共子串提取算法

字符串相似度算法和最大公共子串提取算法

1. Levenshtein Distance

该算法又称之为 "编辑距离"，用于计算两个字符串的相似程度。原理很简单，就是返回两个字串之间，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。次数越少，意味着字符串相似度越高。

例如将 kitten 转换成 sitting：

sitten （k→s）

sittin （e→i）

sitting （→g）

俄罗斯科学家Vladimir Levenshtein在1965年提出这个概念。

算法原理：

下面为你展示一个编辑距离计算的实例。源字符串是 "GUMBO" ，目标字符串是 "GAMBOL".

Steps 1 and 2

Steps 3 to 6 When i = 1

Steps 3 to 6 When i = 2

Steps 3 to 6 When i = 3

Steps 3 to 6 When i = 4

Steps 3 to 6 When i = 5

Step 7

编辑距离就是矩阵右下角的数字 2. 这与我们的实际计算相符. "GUMBO" 能够转换到 "GAMBOL" 通过将 "U" 替换为 "A" 和插入 "L" (1次替换 + 1次插入 = 2次改变). 

C++ 算法实现Code：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83

//相似程度分析函数（运用“编辑距离Levenshtein Distance”算法） //返回将第一个字符串转换(删除、插入、替换)成第二个字符串的最少编辑次数 int  Levenshtein_Distance( const  string strL1, const  string strL2) {      //获得两字符串长度      int  L1=strL1.size(),L2=strL2.size();      //构建处理二维矩阵      vector<vector< int >> x(L2+1,L1+1);      //特殊情况返回      if (strL1==strL2)      {          return  0;      }      else      {          if (L1==0)          {              return  L2;          }          if (L2==0)          {              return  L1;          }      }      //依次为第一行和第一列赋值      for ( int  i=1;i<=L1;i++)      {          x[0][i]=i;      }      for ( int  i=1;i<=L2;i++)      {          x[i][0]=i;      }         for ( int  j=1;j<=L1;j++)      {          for ( int  i=1;i<=L2;i++)          {              int  cost;              //由矩阵对应字符串字符获得代价值cost              if (strL1[j-1]==strL2[i-1])              {                  cost=0;              }              else              {                  cost=1;              }              //由2*2矩阵周围数字确定当前位置数值（求最小值）              x[i][j]=min(x[i-1][j-1]+cost,x[i-1][j]+1,x[i][j-1]+1);          }      }         return  x[L2][L1]; }    //求最小值函数 int  min( const  int  N1, const  int  N2, const  int  N3) {      int  min;      if (N1<N2)      {          if (N1<N3)          {              return  N1;          }          else          {              return  N3;          }      }      else      {          if (N2<N3)          {              return  N2;          }          else          {              return  N3;          }      } }

2. LCS

LCS (Longest Common Subsequence) 算法用于找出两个字符串最长公共子串。

算法原理：

(1) 将两个字符串分别以行和列组成矩阵。

(2) 计算每个节点行列字符是否相同，如相同则为 1。

(3) 通过找出值为 1 的最长对角线即可得到最长公共子串。

   人 民 共 和 时 代

中 0, 0, 0, 0, 0, 0

华 0, 0, 0, 0, 0, 0

人 1, 0, 0, 0, 0, 0

民 0, 1, 0, 0, 0, 0

共 0, 0, 1, 0, 0, 0

和 0, 0, 0, 1, 0, 0

国 0, 0, 0, 0, 0, 0

为进一步提升该算法，我们可以将字符相同节点(1)的值加上左上角(d[i-1, j-1])的值，这样即可获得最大公用子串的长度。如此一来只需以行号和最大值为条件即可截取最大子串。

　 人 民 共 和 时 代

中 0, 0, 0, 0, 0, 0

华 0, 0, 0, 0, 0, 0

人 1, 0, 0, 0, 0, 0

民 0, 2, 0, 0, 0, 0

共 0, 0, 3, 0, 0, 0

和 0, 0, 0, 4, 0, 0

国 0, 0, 0, 0, 0, 0

C++ 算法实现Code：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

//提取最大公共子串函数（运用LCS即Longest Common Subsequence算法） string LCS( const  string strL1, const  string strL2) {      //获取两个源串的长度      int  L1=strL1.size(),L2=strL2.size();      //构建二维矩阵      vector<vector< int >> x(L2,L1);      //特殊情况返回      if (strL1 == strL2)      {              return  strL1;      }          if (strL1.size()==0 || strL2.size()==0)      {          return  "" ;      }         int  length=0,index=0;      for ( int  i=0;i<L2;i++)      {          for ( int  j=0;j<L1;j++)          {              int  n=(i>=1 && j>=1)? x[i-1][j-1]:0;                 x[i][j]=(strL2[i]==strL1[j])? 1+n:0;              //获得最长子串末尾数值和位置              if (x[i][j]>length)              {                  length=x[i][j];                  index=i;              }          }      }         return  string(strL2,index-length+1,length); }