基于编辑距离的单词匹配算法

编辑距离单词匹配算法

1、介绍
      编辑距离（Edit Distance），在本文指的是Levenshtein距离，也就是字符串S1通过插入、修改、删除三种操作最少能变换成字符串S2的次数。例如：S1 = abc，S2 = abf，编辑距离d = 1（只需将c修改为f）。在本文中将利用动态规划的算法思想对字符串的编辑距离求解。

      定义：S1、S2表示两个字符串，S1(i)表示S1的第一个字符，d[i, j]表示S1的第i个前缀到S2的第j个前缀（例如:S1 = ”abc”,S2 = ”def”,求解S1到S2的编辑距离为d[3, 3]）。

      若S1 = ”abc”, S2 = ”dec”，此时它们的编辑距离为d[3, 3] = 2，观察两个字符串的最后一个字符是相同的，也就是说S1(3) = S2(3)不需要做任何变换，故S1 = ”abc”, S2 = ”dec” <= > S1’ = ”ab”, S2’ = ”de”，即当S1[i] = S[j]时，d[i, j] = d[i-1,j -1]。得到公式：d[i, j] = d[i - 1, j - 1] (S1[i] = S2[j])

      上面一条得出了当S1[i] = S2[j]的计算公式，显然还有另一种情况就是S1[i] ≠ S2[j]，若S1 = ”abc”, S2 = ”def”。S1变换到S2的过程可以“修改”，但还可以通过“插入”、“删除”使得S1变换为S2。
　　
　　　　1)在S1字符串末位插入字符“f”，此时S1 = ”abcf”，S2 = ”def”,此时即S1[i] = S2[j]的情况，S1变换为S2的编辑距离为d[4, 3] = d[3, 2]。所以得出d[i, j]=d[i, j - 1] + 1。（+1是因为S1新增了”f”）
　　　　
　　　　2)在S2字符串末位插入字符“c”，此时S1 = ”abc”，S2 = ”defc”，此时即S1[i] = S[j]的情况，S1变换为S2的编辑距离为d[3, 4] = d[2, 3]。所以得出d[i, j]=d[i - 1, j] + 1，实际上这是对S1做了删除。（+1是因为S2新增了”c”）
　　　　
　　　　3)将S1字符串末位字符修改为”f”，此时S1 = ”abf”，S2 = ”def”，此时即S1[i] = S[j]的情况，S1变换为S2的编辑距离为d[3, 3] = d[2, 2]。所以得出d[i, j] = d[i – 1, j - 1] + 1。（+1是因为S1修改了“c”）
　　　　
　　　　4)综上，得出递推公式：
　　　　

=>

　　　
　　　　5)图解过程：
　　　
　　　通过依次计算出每个子串之间的d[ i ][ j ]，最终得到以下的表格
　　　
2、C代码

#include <stdio.h>
#include <string.h>
#include <ctype.h>

#define N 660

typedef struct {
    char word[64];
    char meaning[128];
} node;

node dict[N];//结构体数组，存储单词文件

int distance(char *a, char *b) {//形参a，b分别是输入的单词和dict数组中的单词
    int i, j, m, n;
    m = strlen(a);
    n = strlen(b);
    int c[m + 1][n + 1];
    for (i = 0; i <= m; i++)
        c[i][0] = i;
    for (j = 1; j <= n; j++)
        c[0][j] = j;
    for (i = 1; i <= m; i++)
        for (j = 1; j <= n; j++) {
            int u, v, w;
            v = c[i][j - 1] + 1;//对应1中的1)
            u = c[i - 1][j] + 1;//对应1中的2)
            //对应1中的3)
            w = c[i - 1][j - 1];
            //取比较的最小值就是当前子串的编辑距离
            if (a[i - 1] != b[j - 1])
                w++;
            //对应1中的3)
            if (u > v) u = v;
            if (u > w) u = w;
            c[i][j] = u;
             //取比较的最小值就是当前子串的编辑距离
        }
    return c[m][n];//返回两个单词比较的最终编辑距离
}


void find(char word[64], int dist) {
    int mark, i, count;
    count = 0;
    for (i = 0; i < N; ++i) {//循环读取dict数组中的单词约输入单词匹配
        mark = distance(word, dict[i].word);//返回编辑距离
        if (mark <= dist) {//返回值是否和输入的范围一致
            printf("\t%s\n",dict[i].meaning);
            count++;//匹配到的单词个数
        }
    }
    if (count==0){//没有匹配到单词
        printf("无匹配单词！\n");
    }
}

void readdict(char dictname[]) {
    char item[64];
    int i;
    FILE *f = fopen(dictname, "r");//读取文件，模式为只读
    for (i = 0; i < N; ++i) {
        fscanf(f, "%s", dict[i].word);//存入dict结构体数组
        while (fscanf(f, "%s", item), isalpha(item[0]) > 0) {//读取词组
            strcat(dict[i].word, " ");//拼接词组
            strcat(dict[i].word, item);
        }
        strcpy(dict[i].meaning, item);//单词解释
    }
    fclose(f);
}

int main(int argc, char *argv[]) {
    char word[64];
    int dist;
    if (argc < 1)//判断命令行参数个数
        return 1;
    readdict(argv[1]);//读取单词文件ps_ec.txt
    while (scanf("%s%d", word, &dist) != EOF) {//命令行输入单词，以及编辑距离的范围
        find(word, dist);//查找模块，参数为单词，编辑距离范围，例：word 3,表示匹配和word编辑距离为0-3的单词。
    }
}

3、相关文件：Github