文本编辑距离

目录

引言

编辑距离

1.Levenshtein distance

2.Damerau,F,J distance

3.Optimal String Alignment / restricted Damerau-Levenshtein distance

4.Jaro distance/similarity

5.Jaro-Winkler distance/similarity

6.N-Gram距离

7.最长公共子串距离（Longest Common Substring distance）

计算速度

参考文献

---

引言

距离是一种度量，所以在描述编辑距离时，首先引入度量空间的概念。

所有的距离度量应该符合上述的四个度量公理

编辑距离

1.Levenshtein distance

在信息论和计算机科学中，.Levenshtein distance是一种两个字符串序列的距离度量。形式化地说，两个单词的.Levenshtein distance是一个单词变成另一个单词要求的最少单个字符编辑数量，包含删除、插入和替换三个操作（insertion,deletion,substitution），它满足度量的四个公理。

详见《BINARY CODES CAPABLE OF CORRECTING,DELETIONS,INSERTIONS AND REVERSALS》

例如：abc与ca之间的Levenshtein distance：

结果应该是3（删除b->原字符串开头的a被替换为c->原字符串结尾的c被替换为a）

2.Damerau,F,J distance

与Levenshtein distance相比，除了单个字符的插入、删除和替换之外，增加了交换的操作，允许插入、删除、替换和交换两个相邻字符，它也满足度量的四个公理。

例如：根据.Damerau,F,J distance计算abc与ca之间的编辑距离应该为2（删除b->原字符串首尾的字符a与c交换位置）

3.Optimal String Alignment / restricted Damerau-Levenshtein distance

基本定义与Damerau,F,J distance是一样的，在基本定义基础上限定每个子串只能被编辑一次。

例如，计算'ab',和'bxa'的编辑距离，如果是Damerau,F,J distance，那么距离为2（ab → ba → bxa）

但如果计算.Optimal String Alignment / restricted Damerau-Levenshtein distance&#x