假设两个文本X=(x1, x2, x3,...xn)和Y=(y1, y2, y3, ..., yn),其向量表示分别为:Vec(X) = (v1, v2, v3, ... vp), Vec(Y) = (l1, l2, l3, ... lp)
01
—
余弦相似性(cosine similarity)
余弦相似性是定义在向量空间模型(VSM)中的。它的定义如下:
其中,A,B为向量中间中的两个向量。在使用它来做字符串相似性度量的时候,需要先将字符串向量化,通常使用词袋模型(BOW)来向量化。举个例子如下:
String1 = “apple”
String2 = “app”
则词包为{’a’,’e’,’l’,’p’},若使用0,1判断元素是否在词包中,字符串1、2可以转化为:
StringA = [1111]
StringB = [1001]
那么,根据余弦公式,可以计算字符串相似性为:0.707。
02
—
欧氏距离(Euclidean distance)
欧氏距离定义在向量空间模型中,计算使用欧氏距离公式:
03
—
编辑距离(edit distance)
编辑距离,有的地方也会称为Levenshtein距离,表示从一个字符串转化为另一个字符串所需要的最少编辑次数,这里的编辑是指将字符串中的一个字符替换成另一个字符,或者插入删除字符。例如上例String1通过删除’l’与’e’转化为String2,所以其最小编辑次数为2。
编辑距离的核心就是如何计算出一对字符串间的最小编辑次数,考虑到问题的特点,我们可以使用动态规划的思想来计算其最小编辑次数,根据维基百科:两个字符串a=a1a2⋯an,b=b1b2⋯bma=a1a2⋯an,b=b1b2⋯bm的编辑距离递归计算公式如下:
其中,w表示增删改三种操作的权重,一般定义为:
di0=i" role="presentation" style=" box-sizing: border-box; outline: currentcolor none 0px; margin: 0px; padding: 0px; font-weight: 400; font-family: "Microsoft YaHei", "SF Pro Display", Roboto, Noto, Arial, "PingFang SC", sans-serif; display: inline; font-style: normal; line-height: normal; font-size: 14px; text-indent: 0px; text-align: left; text-transform: none; letter-spacing: normal; word-spacing: 0px; overflow-wrap: break-word; white-space: nowrap; float: none; direction: ltr; max-widt