http://www.matrix67.com/blog/archives/333
http://www.cnblogs.com/tangcong/archive/2012/09/10/2679081.html
除了字符串匹配、查找回文串、查找重复子串等经典问题以外,日常生活中我们还会遇到其它一些怪异的字符串问题。比如,有时我们需要知道给定的两个字符串“有多像”,换句话说两个字符串的相似度是多少。1965年,俄国科学家Vladimir Levenshtein给字符串相似度做出了一个明确的定义叫做Levenshtein距离,我们通常叫它“编辑距离”。字符串A到B的编辑距离是指,只用插入、删除和替换三种操作,最少需要多少步可以把A变成B。例如,从FAME到GATE需要两步(两次替换),从GAME到ACM则需要三步(删除G和E再添加C)。Levenshtein给出了编辑距离的一般求法,就是大家都非常熟悉的经典动态规划问题。
在自然语言处理中,这个概念非常重要,例如我们可以根据这个定义开发出一套半自动的校对系统:查找出一篇文章里所有不在字典里的单词,然后对于每个单词,列出字典里与它的Levenshtein距离小于某个数n的单词,让用户选择正确的那一个。n通常取到2或者3,或者更好地,取该单词长度的1/4等等。这个想法倒不错,但算法的效率成了新的难题:查字典好办,建一个Trie树即可;但怎样才能快速在字典里找出最相近的单词呢?这个问题难就难在,Levenshtein的定义可以是单词任意位置上的操作,似乎不遍历字典是不可能完成的。现在很多软件都有拼写检查的功能,提出更正建议的速度是很快的。它们到底是怎么做的呢?1973年,Burkhard和Keller提出的BK树有效地解决了这个问题。这个数据结构强就强在,它初步解决了一个看似不可能的问题,而其原理非常简单。
首先,我们观察Levenshtein距离的性质。令d(x,y)表示字符串x到y的Levenshtein距离,那么显然:
1. d(x,y) = 0 当且仅当 x=y (Levenshtein距离为0 <==> 字符串相等)
2. d(x,y) = d(y,x) (从x变到y的最少步数就是从y变到x的最少步数)
3. d(x,y) + d(y,z) >= d(x,z) (从x变到z所需的步数不会超过x先变成y再变成z的步数)
最后这一个性质叫做三角形不等式。就好像一个三角形一样,两边之和必然大于第三边。给某个集合内的元素定义一个二元的“距离函数”,如果这个距离函数同时满足上面说的三个性质,我们就称它为“度量空间”。我们的三维空间就是一个典型的度量空间,它的距离函数就是点对的直线距离。度量空间还有很多,比如Manhattan距离,图论中的最短路,当然还有这里提到的Levenshtein距离。就好像并查集对所有等价关系都适用一样,BK树可以用于任何一个度量空间。
建树的过程有些类似于Trie。首先我们随便找一个单词作为根(比如GAME)。以后插入一个单词时首先计算单词与根的Levenshtein距离:如果这个距离值是该节点处头一次出现,建立一个新的儿子节点;否则沿着对应的边递归下去。例如,我们插入单词FAME,它与GAME的距离为1,于是新建一个儿子,连一条标号为1的边;下一次插入GAIN,算得它与GAME的距离为2,于是放在编号为2的边下。再下次我们插入GATE,它与GAME距离为1,于是沿着那条编号为1的边下去,递归地插入到FAME所在子树;GATE与FAME的距离为2,于是把GATE放在FAME节点下,边的编号为2。
查询操作异常方便。如果我们需要返回与错误单词距离不超过n的单词,这个错误单词与树根所对应的单词距离为d,那么接下来我们只需要递归地考虑编号在d-n到d+n范围内的边所连接的子树。由于n通常很小,因此每次与某个节点进行比较时都可以排除很多子树。
举个例子,假如我们输入一个GAIE,程序发现它不在字典中。现在,我们想返回字典中所有与GAIE距离为1的单词。我们首先将GAIE与树根进行比较,得到的距离d=1。由于Levenshtein距离满足三角形不等式,因此现在所有离GAME距离超过2的单词全部可以排除了。比如,以AIM为根的子树到GAME的距离都是3,而GAME和GAIE之间的距离是1,那么AIM及其子树到GAIE的距离至少都是2。于是,现在程序只需要沿着标号范围在1-1到1+1里的边继续走下去。我们继续计算GAIE和FAME的距离,发现它为2,于是继续沿标号在1和3之间的边前进。遍历结束后回到GAME的第二个节点,发现GAIE和GAIN距离为1,输出GAIN并继续沿编号为1或2的边递归下去(那条编号为4的边连接的子树又被排除掉了)……
实践表明,一次查询所遍历的节点不会超过所有节点的5%到8%,两次查询则一般不会17-25%,效率远远超过暴力枚举。适当进行缓存,减小Levenshtein距离常数n可以使算法效率更高。
#include<stdio.h>
#include<stdlib.h>
#include<string.h>
#include<iostream>
#include<vector>
#include<string>
#include<math.h>
#include<map>
#include<set>
#include<stack>
#include<queue>
#include<algorithm>
using namespace std;
int dp[40][40];
char s1[100], s2[100], st[10010][30];
const int inf = 0x7f7f7f7f;
//数据结构定义
struct node
{
char word[30]; //当前结点值
node *next[30];
}root;
node p[100000];
int num, flag, vnum, fuck;
map<string,int>mp;
int f[100000];
void init( )
{
for( int i = 0; i < 40; i++)
for( int j = 0; j < 40; j++)
dp[i][j] = inf;
}
int diff( char *s1, char *s2)
{
init();
int x = strlen(s1+1);
int y = strlen(s2+1);
for( int i = 0; i <= x; i++)
dp[i][0] = i;
for( int j = 0; j <= y; j++)
dp[0][j] = j;
for( int i = 1; i <= x; i++)
{
for( int j = 1; j <= y; j++)
{
dp[i][j] = min(min(dp[i-1][j]+1, dp[i][j-1]+1), dp[i-1][j-1]+ !(s1[i]==s2[j]) );
}
}
return dp[x][y];
}
//建树
void insert(node *q, char *str)
{
node *l = q;
while( l )
{
int dis = diff( l->word, str);
if( ! l->next[dis] )
{
l->next[dis] = &p[num++];
strcpy(l->next[dis]->word + 1, str + 1);
break;
}
l = l->next[dis];
}
}
//查找与单词相差不大于d的单词
void sfind(node *q, char *str, int d)
{
if( flag )
return ;
node *l = q;
if( l == NULL )
return;
int dis = diff(str, l->word);
if( dis <= d )
{
fuck++;
}
for( int x = dis-d; x <= dis+d; x++)
{
if( x >= 0 && x <= 20 && l->next[x] )
sfind(l->next[x], str, d);
}
}
int main( )
{
int N, M, d, cnt, T, abc = 1;
char str[1000];
scanf("%d",&T);
while( T-- )
{
scanf("%d%d",&N,&M);
memset(p,0,sizeof(p));
for( int i = 0; i < 30; i++)
root.next[i] = NULL;
num = 0;
int cnum = 1;
strcpy(st[0] + 1, root.word+1);
for( int i = 1; i <= N; i++)
{
scanf("%s",st[i]+1);
insert(&root, st[i]);
}
d = 1;
printf("Case #%d:\n", abc++);
for( int i = 1; i <= M; i++)
{
vnum = 0;
flag = 0;
fuck = 0;
scanf("%s%d",str+1, &d);
sfind(&root, str, d);
printf("%d\n", fuck);
}
}
return 0;
}
自己写的版本,比较容易理解
#include <iostream>
#include <vector>
#include <string>
#include <fstream>
#include <stdlib.h>
#include <string.h>
#include <math.h>
#include <sstream>
#include <set>
#include <algorithm>
using namespace std;
#define MAXEDIT 15
class node {
public:
string word;
node *next[MAXEDIT];
node() {
memset(next, 0, sizeof(next));
}
};
string split(const string& str) {
size_t pos = str.find(" ||| ");
return str.substr(0, pos);
}
bool isalpha(const string& str) {
for (int i = 0; i < str.size(); ++i) {
if (!(str[i]>='a' && str[i] <='z' || str[i]>='A' && str[i] <='Z' )) return false;
}
return true;
}
int minTri(int a, int b, int c) {
int rst = a;
if (rst > b) rst = b;
if (rst > c) rst = c;
return rst;
}
int editDist(const string &str1, const string &str2) {
vector<vector<int> > mat(str1.size() + 1, vector<int>(str2.size() +1, 0));
for (int i = 1; i < str1.size(); ++i) mat[i][0] = i;
for (int i = 1; i < str2.size(); ++i) mat[0][i] = i;
for (int i = 1; i <= str1.size(); ++i) {
for (int j = 1; j <= str2.size(); ++j) {
int cost = 1;
if (str1[i-1] == str2[j-1]) cost = 0;
mat[i][j] = minTri(mat[i-1][j-1]+cost, mat[i-1][j] + 1, mat[i][j-1] + 1);
}
}
return mat[str1.size()][str2.size()];
}
void insert(node* head, const string& str) {
node *tmp = head;
while (tmp) {
int dis = editDist(tmp->word, str);
if (dis == 0 || dis >= MAXEDIT) return;
if (tmp->next[dis]) tmp = tmp->next[dis];
else {
tmp->next[dis] = new node();
tmp->next[dis]->word = str;
break;
}
}
}
void buildKDTree(node *head, const vector<string>& ls) {
for (int i = 0; i < ls.size(); ++i) {
insert(head, ls[i]);
}
}
void freeKDTree(node* head) {
for (int i = 0; i < MAXEDIT; ++i) {
if (head->next[i]) {
freeKDTree(head->next[i]);
delete head->next[i];
head->next[i] = NULL;
}
}
}
void findN(node *head, const string & str,vector<pair<string,int> >& rst, int n) {
int d = editDist(head->word, str);
if (d <= n && d != 0) {
rst.push_back(make_pair(head->word,d));
}
int minR = max(1, d - n);
int maxR = min(MAXEDIT-1, d + n);
for (int i = minR; i <= maxR; ++i) {
if (head->next[i]) {
findN(head->next[i], str, rst, n);
}
}
}
bool Cmp(const pair<string, int>& p1, const pair<string, int> &p2) {
return p1.second < p2.second;
}
int main(int argc, char *argv[]) {
if (argc != 3) {
cout << "input output"<<endl;
return -1;
}
ifstream fin(argv[1]);
ofstream fo(argv[2]);
string line;
set<string> st;
while(getline(fin, line)) {
string word = split(line);
if (isalpha(word) && word.size() > 1)
st.insert(word);
}
vector<string> ls(st.size());
set<string>::iterator it = st.begin();
int i = 0;
for(; it != st.end(); ++it)
ls[i++] = *it;
node head;
head.word = ls[0];
buildKDTree(&head, ls);
for (i = 0; i < ls.size();++i) {
if ((i+1)%5000 ==0) cout << i+1<<endl;
vector<pair<string, int> > rst;
int dist = min((int)ls[i].size()/2, 3);
findN(&head, ls[i], rst, dist);
ostringstream ostr;
ostr<<ls[i]<<"\t";
sort(rst.begin(), rst.end(), Cmp);
for (int j = 0; j < rst.size(); ++j) {
ostr<<rst[j].first<<" ";
}
fo<<ostr.str()<<endl;
}
freeKDTree(&head);
fin.close();
fo.close();
system("pause");
return 0;
}
实际效果比之前写的多线程暴力慢多了.......