字符串相似度算法

一、百度百科

Levenshtein 距离，又称编辑距离，指的是两个字符串之间，由一个转换成另一个所需的最少编辑操作次数。

许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。

编辑距离的算法是首先由俄国科学家Levenshtein提出的，故又叫Levenshtein Distance。

二、用途

字符串的模糊匹配查询

三、实现过程

1. 首先是有两个字符串,这里写一个简单的 abc和abe
2. 将字符串想象成下面的结构
   A处 是一个标记，为了方便讲解，不是这个表的内容

	abc	a	b	c
abe	0	1	2	3
a	1	A处
b	2
e	3

3. 计算 A处 出得值

   它的值取决于：左边的1、上边的1、左上角的0，

   按照Levenshtein distance的意思：

   上面的值和左面的值都要求加1，这样得到1+1=2；

   A处 由于是两个a相同，左上角的值加0，这样得到0+0=0；

   这是后有三个值，左边的计算后为2，上边的计算后为2，左上角的计算为0，所以 A处 取他们里面最小的值，即0。

4. 添加A处数据后结果如下

	abc	a	b	c
abe	0	1	2	3
a	1	0
b	2	B处
e	3

在 B处 会同样得到三个值，左边计算后为3，上边计算后为1，在 B处 由于对应的字符为a、b，不相等，所以左上角应该在当前值的基础上加1，这样得到1+1=2，在（3,1,2）中选出最小的为 B处 的值。

5. 添加B处数据后结果如下

	abc	a	b	c
abe	0	1	2	3
a	1	0
b	2	1
e	3	C处

C处 计算后：上面的值为2，左边的值为4，左上角的：a和e不相同，所以加1，即2+1，左上角的为3。
在（2,4,3）中取最小的为 C处 的值。

6. 以此类推，最终的结果如下表所示

	abc	a	b	c
abe	0	1	2	3
a	1	A处 0	D处 1	G处 2
b	2	B处 1	E处 0	H处 1
e	3	C处 2	F处 1	I处 1

I处: 表示abc 和abe 有1个需要编辑的操作，这个是需要计算出来的，同时，也获得一些额外的信息

A处: 表示a 和a 需要有0个操作，字符串一样

B处: 表示ab 和a 需要有1个操作

C处: 表示abe 和a 需要有2个操作

D处: 表示a 和ab 需要有1个操作

E处: 表示ab 和ab 需要有0个操作，字符串一样

F处: 表示abe 和ab 需要有1个操作

G处: 表示a 和abc 需要有2个操作

H处: 表示ab 和abc 需要有1个操作

I处: 表示abe 和abc 需要有1个操作

7. 相似度计算

   先取两个字符串长度的最大值maxLen，用1-（需要操作数除maxLen），得到相似度。

   例如abc 和abe 一个操作，长度为3，所以相似度为1-1/3=0.666。

四、JAVA代码实现

复制后即可运行

    package code;  
      
    /** 
     * @className:MyLevenshtein.java 
     * @classDescription:Levenshtein Distance 算法实现 
     * 可以使用的地方：DNA分析 　　拼字检查 　　语音辨识 　　抄袭侦测 
     * @author:ylp 
     * @createTime:2018-10-18 
     */  
    public class MyLevenshtein {  
      
        public static void main(String[] args) {  
            //要比较的两个字符串  
            String str1 = "今天星期四";  
            String str2 = "今天是星期五";  
            levenshtein(str1,str2);  
        }  
      
        /** 
         * 　　DNA分析 　　拼字检查 　　语音辨识 　　抄袭侦测 
         *  
         * @createTime 2018-10-18 
         */  
        public static void levenshtein(String str1,String str2) {  
            //计算两个字符串的长度。  
            int len1 = str1.length();  
            int len2 = str2.length();  
            //建立上面说的数组，比字符长度大一个空间  
            int[][] dif = new int[len1 + 1][len2 + 1];  
            //赋初值，步骤B。  
            for (int a = 0; a <= len1; a++) {  
                dif[a][0] = a;  
            }  
            for (int a = 0; a <= len2; a++) {  
                dif[0][a] = a;  
            }  
            //计算两个字符是否一样，计算左上的值  
            int temp;  
            for (int i = 1; i <= len1; i++) {  
                for (int j = 1; j <= len2; j++) {  
                    if (str1.charAt(i - 1) == str2.charAt(j - 1)) {  
                        temp = 0;  
                    } else {  
                        temp = 1;  
                    }  
                    //取三个值中最小的  
                    dif[i][j] = min(dif[i - 1][j - 1] + temp, dif[i][j - 1] + 1,  
                            dif[i - 1][j] + 1);  
                }  
            }  
            System.out.println("字符串\""+str1+"\"与\""+str2+"\"的比较");  
            //取数组右下角的值，同样不同位置代表不同字符串的比较  
            System.out.println("差异步骤："+dif[len1][len2]);  
            //计算相似度  
            float similarity =1 - (float) dif[len1][len2] / Math.max(str1.length(), str2.length());  
            System.out.println("相似度："+similarity);  
        }  
      
        //得到最小值  
        private static int min(int... is) {  
            int min = Integer.MAX_VALUE;  
            for (int i : is) {  
                if (min > i) {  
                    min = i;  
                }  
            }  
            return min;  
        }  
      
    }  

五、原理

为什么这样就能算出相似度了？

下面给两个例子来解释一下，其中，红色是取值的顺序。

1. "今天周一" "天周一"

		天	周	一
	0	1	2	3
今	1	1	2	3
天	2	1	2	3
周	3	2	1	3
一	4	3	3	1

这两个字符串转换最快的步骤就是：

实现是去掉 “今” ，一步完成。

2. "听说马上就要放假了" "你听说要放假了"

		你	听	说	要	放	假	了
	0	1	2	3	4	5	6	7
听	1	1	1	2	3	4	5	6
说	2	2	2	1	2	3	4	5
马	3	3	3	2	2	3	4	5
上	4	4	4	3	3	3	4	5
就	5	5	5	4	4	4	4	5
要	6	6	6	5	4	5	5	5
放	7	7	7	6	5	4	5	6
假	8	8	8	7	6	5	4	6
了	9	9	9	8	7	6	6	4

这两个转换最快的步骤就是：

去掉“你”，加上“马上就”，总共四步操作。

总结来说就是，先根据二维的计算方式找到两个字符串相互转换的最少步骤，即编辑距离，也可以理解为字符串之间的差异或者不同，然后除以最长的字符串的长度，即差异值占最大字符串长度的比例，可以理解为差异度（个人定义，非官方），然后用1减去差异度就可以得到相似度了。

六、结束语

此算法的优化空间还有很大，欢迎有兴趣的同学一起交流，在程序猿的道路上一起进步。

参考链接：计算字符串相似度算法——Levenshtein.