文本检测基础——浅谈编辑距离

本文作者：兰州大学 信息科学与工程学院 刘浩宇 email：939388082@qq.com 内容可能有不到之处，欢迎交流。
未经本人允许禁止转载。

1.编辑距离的定位

在自然语言中，文本检测作为字面匹配、语义匹配、文本相似度和文本匹配等应用的基础模块。编辑距离的计算可以说是作为文本检测的基础，它可以完成一些要求度低的作业。

• 字面匹配
  编辑距离属于字面匹配，是低级的匹配，顾名思义，也就是仅看单词拼写的相似程度。
  例如：quiet——quite、angle——angel
  和它类似的算法还有TF-IDF、BM25、Simhash，在后续会捎带叙述。

• 语义匹配
  可以发现，仅仅依靠字面是不够的。
  例如：“database”（数据库）和“Structured Quevy Language”(结构化查询语言)，“darling”和“beloved”极度相关的两个名词，在字面上看来却没有什么关联。
  这也就涉及到了语义匹配，常见的语义匹配有LAS、HDP。

2.利用动态规划解决编辑距离问题

对于emigrant和immigrant，低级的相似匹配（相似度匹配可分为词与词、句与句、章与章，但都要回到的词与词的基础单位）。
考虑从短到长的各子串编辑距离，以此类推最终得到整个字符串的编辑距离。
将emigrant与immigrat横向纵向展开

emigrant和immigrant都是从第一个位置开始，LEVa,b(0,0) = 0。两字符串分别赋值。

下面开始计算各字串之间的编辑距离：

有点懵，但是算法就是如此。总结了一下简洁版：

可分为三种情况：
① LEVa,b(i,j), if a = b and i = j, LEVa,b(i,j) = min(左，左上，上)；
② LEVa,b(i,j), if a ≠ b and i = j, LEVa,b(i,j) = min(左，左上，上) + 1;
③ LEVa,b(i,j) if i ≠ j ,LEVa,b(i,j) = min(左，左上，上) + 1；

结果：

（3，0）的 i 和（0，3）的 e ，符合第三种可能，故min（0，1，1）+ 1 = 1；