最小编辑距离算法
简介:
通俗地来讲,编辑距离指的是在两个单词<w_1,w_2>之间,由其中一个单词w_1转换为另一个单词w_2所需要的最少单字符编辑操作次数。
定义的单字符编辑操作有三种, 每种操作的权重为1:
-
插入(Insertion)
-
删除(Deletion)
-
替换(Substitution)
假设求取字符串A和B 的 edit distance, 上述操作可理解为:
- 删除A末尾一个字符(deletion)
- 用B末尾插入A末尾一个字符(insertion)
- 把A末尾字符替换成B末尾的一个字符(substitution)
公式定义:
我们将两个字符串 a,b 的 Levenshtein Distance 表示为lev_{a,b}(|a|, |b|)
,其中|a|
和 |b|
分别对应a,b 的长度。那么,在这里lev_{a,b}(|a|, |b|)
可用如下的数学语言描述:
lev_{a,b}(i, j)
指的是 a 中前 i 个字符和 b 中前 j 个字符之间的距离。为了方便理解,这里的i,j可以看作是a,b的长度。这里的字符串的字符 index 从 1 开始,因此最后的编辑距离便是i = |a|, j = |b|
时的距离:lev_{a,b}(|a|, |b|)
当 min(i, j) = 0
的时候,对应着a 中前 i 个字符和 b 中前 j 个字符,此时的 i,j 有一个值为 0 ,所以它们之间的距离为max(i, j)
,即 i,j 中的最大者。
当min(i, j) != 0
的时候,lev_{a,b}(|a|, |b|) 为如下三项的最小值:
1.lev_{a,b}(i-1, j)
表示 删除 a_i
2.lev_{a,b}(i, j-1)
表示 插入 b_j
3.lev_{a,b}(i-1, j-1)+1_{(a_i != b_j)}
表示 替换 b_j
1_{(a_i != b_j)}
为一个指示函数,表示当a_i = b_j
的时候取 0 ;当a_i != b_j
的时候,其值为 1。
过程图示:
有如下动态规划公式:
if i == 0 且 j == 0,edit(i, j) = 0
if i == 0 且 j > 0,edit(i, j) = j
if i > 0 且j == 0,edit(i, j) = i
if i ≥ 1 且 j ≥ 1 ,edit(i, j) == min{ edit(i-1, j) + 1, edit(i, j-1) + 1, edit(i-1, j-1) + f(i, j) },当第一个字符串的第i个字符不等于第二个字符串的第j个字符时,f(i, j) = 1;否则,f(i, j) = 0。
计算edit(1, 1),edit(0, 1) + 1 == 2,edit(1, 0) + 1 == 2,edit(0, 0) + f(1, 1) == 0 + 1 == 1,min(edit(0, 1),edit(1, 0),edit(0, 0) + f(1, 1))==1,因此edit(1, 1) == 1。 依次类推: