字符串编辑距离（相似度）

编辑距离及编辑距离算法

编辑距离概念描述：

编辑距离，又称Levenshtein距离，是指两个字串之间，由一个转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。

例如将kitten一字转成sitting：

1. sitten （k→s）
2. sittin （e→i）
3. sitting （→g）

俄罗斯科学家Vladimir Levenshtein在1965年提出这个概念。

 

问题：找出字符串的编辑距离，即把一个字符串s1最少经过多少步操作变成编程字符串s2，操作有三种，添加一个字符，删除一个字符，修改一个字符

给定一个源串和目标串，能够对源串进行如下操作： 
1.在给定位置上插入一个字符 
2.替换任意字符 
3.删除任意字符 
写一个程序，返回最小操作数，使得对源串进行这些操作后等于目标串，源串和目标串的长度都小于2000。

思路

如果有两个串 A = xabcdae 和 B = xfdfa，它们的第一个字符是相同的，只要计算A[2…7] = abcdae 和 B[2…5] = fdfa的距离就可以了。但是如果两个串的第一个字符不相同，那么可以进行如下的操作（lenA和lenB分别是字符串A和B的长度）： 
（1）删除A串的第一个字符，然后计算A[2…lenA]和B[1…lenB]的距离。 
（2）删除B串的第一个字符，然后计算A[1…lenA]和B[2…lenB]的距离。 
（3）修改A串的第一个字符为B串的第一个字符，然后计算A[2…lenA]和B[2…lenB]的距离。 
（4）修改B串的第一个字符为A串的第一个字符，然后计算A[2…lenA]和B[2…lenB]的距离。 
（5）增加B串的第一个字符到A串的第一个字符之前，然后计算A[1…lenA]和B[2…lenB]的距离。 
（6）增加A串的第一个字符到B串的第一个字符之前，然后计算A[2…lenA]和B[1…lenB]的距离。

在这个题目中，我们并不在乎两个字符串变得相等之后的字符串是什么样的。所以，我们可以将上面的6个步骤简化为：

（1）一步操作之后，再将A[2…lenA] 和 B[1…lenB]变成相同的字符串。 
（2）一步操作之后，再将A[1…lenA] 和 B[2…lenB]变成相同的字符串。 
（3）一步操作之后，再将A[2…lenA] 和 B[2…lenB]变成相同的字符串。

这样，很快就可以完成一个递归程序。

在递归的过程中，有些数据被重复计算了。比如，如果我们开始调用StrDistance(A,1,3,B,1,3) 
下图是部分展开的递归调用： 

可以看到，圈中的两个子问题被重复计算了。为了避免这种不必要的重复计算，可以把子问题计算后的解储存起来。

思路二

编辑距离是动态规划里面的经典题目。 Edit[i][j]为word1[0..i-1]和word2[0..j-1]的最小编辑数。

状态转移方程： 

解析：

首先定义这样一个函数——edit(i, j)，它表示第一个字符串的长度为i的子串到第二个字符串的长度为j的子串的编辑距离。

显然可以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。

 

 

	0	f	a	i	l	i	n	g
0