• <ins id="pjuwb"></ins>
    <blockquote id="pjuwb"><pre id="pjuwb"></pre></blockquote>
    <noscript id="pjuwb"></noscript>
          <sup id="pjuwb"><pre id="pjuwb"></pre></sup>
            <dd id="pjuwb"></dd>
            <abbr id="pjuwb"></abbr>

            chenglong7997

            字符串相似度算法介紹(整理)(轉(zhuǎn))

            最近在做這方面的應(yīng)用,把我找到的資料貼出來(lái),有需要的人可以參考參考。
            1.編輯距離(Levenshtein Distance)
            編輯距離就是用來(lái)計(jì)算從原串(s)轉(zhuǎn)換到目標(biāo)串(t)所需要的最少的插入,刪除和替換
            的數(shù)目,在NLP中應(yīng)用比較廣泛,如一些評(píng)測(cè)方法中就用到了(wer,mWer等),同時(shí)也常用來(lái)計(jì)算你對(duì)原文本所作的改動(dòng)數(shù)。編輯距離的算法是首先由俄國(guó)科學(xué)家Levenshtein提出的,故又叫Levenshtein Distance。
            Levenshtein Distance算法可以看作動(dòng)態(tài)規(guī)劃。它的思路就是從兩個(gè)字符串的左邊開(kāi)始比較,記錄已經(jīng)比較過(guò)的子串相似度(實(shí)際上叫做距離),然后進(jìn)一步得到下一個(gè) 字符位置時(shí)的相似度。 用下面的例子: GUMBO和GAMBOL。當(dāng)算到矩陣D[3,3]位置時(shí),也就是當(dāng)比較到GUM和GAM時(shí),要從已經(jīng)比較過(guò)的3對(duì)子串GU-GAM, GUM-GA和GU-GA之中選一個(gè)差別最小的來(lái)當(dāng)它的值. 所以要從左上到右下構(gòu)造矩陣。
            編輯距離的偽算法:
            整數(shù) Levenshtein距離(字符 str1[1..lenStr1], 字符 str2[1..lenStr2])
               宣告 int d[0..lenStr1, 0..lenStr2]
               宣告 int i, j, cost
             
               對(duì)于 i 等于 由 0 至 lenStr1
                   d[i, 0] := i
               對(duì)于 j 等于 由 0 至 lenStr2
                   d[0, j] := j
               對(duì)于 i 等于 由 1 至 lenStr1
                   對(duì)于 j 等于 由 1 至 lenStr2
                       若 str1[i] = str2[j] 則 cost := 0
                                            否則 cost := 1
                       d[i, j] := 最小值(
                                            d[i-1, j  ] + 1,     // 刪除
                                            d[i  , j-1] + 1,     // 插入
                                            d[i-1, j-1] + cost   // 替換
                                        )
            返回 d[lenStr1, lenStr2]

            double Minimum(double a, double b, double c) 

             double mi; 
             
             mi = a; 
             if (b < mi) { 
              mi = b; 
             } 
             if (c < mi) { 
              mi = c; 
             } 
             return mi; 
            }


            int* GetCellPointer(int *pOrigin, int col, int row, int nCols) 

             return pOrigin + col + (row * (nCols + 1)); 
            }

            int GetAt(int *pOrigin, int col, int row, int nCols) 

             int *pCell; 
             
             pCell = GetCellPointer (pOrigin, col, row, nCols); 
             return *pCell; 
            }

            void PutAt(int *pOrigin, int col, int row, int nCols, double x) 

             int *pCell; 
             pCell = GetCellPointer (pOrigin, col, row, nCols); 
             *pCell = x; 
            }

            //編輯距離
            LD(const char *s, const char *t)
            {
             int *d; // pointer to matrix
             int n; // length of s
             int m; // length of t
             int i; // iterates through s
             int j; // iterates through t
             char s_i1; // ith character of s
             char s_i2; // ith character of s
             char t_j1; // jth character of t
             char t_j2; // jth character of t
             int *cost; // cost代價(jià)矩陣
             int result; // result
             int cell; // contents of target cell
             int above; // contents of cell immediately above
             int left; // contents of cell immediately to left
             int diag; // contents of cell immediately above and to left
             int sz; // number of cells in matrix

             // Step 1

             n = strlen (s);
             m = strlen (t);
             if (n == 0) 
             {
              return m;
             }
             if (m == 0) 
             {
              return n;
             }
             sz = (n+1) * (m+1) * sizeof (int);
             d = (int *) malloc (sz);
             cost = (int *) malloc (sz);

             // Step 2

             for (i = 0; i <= n; i++) 
             {
              PutAt (d, i, 0, n, i);
             }

             for (j = 0; j <= m; j++)
             {
              PutAt (d, 0, j, n, j);
             }
             for (int g=0;g<=m;g++)//把代價(jià)距離矩陣全部初始化為同一個(gè)值,以后可根據(jù)此值判斷相應(yīng)的方格是否被賦過(guò)值
             {
              for(int h=0;h<=n;h++)
              {
               PutAt(cost,h,g,n,2);
              }
             }
             // Step 3

             for (i = 1; i <= n; i++) 
             {

              s_i1 = s[i-1];
              s_i2 = s[i];
              bool sbd=false;
              bool tbd=false;
              if(s_i1>=' '&&s_i1<='@'||s_i1>='A'&&s_i1<='~' )
              {//s為標(biāo)點(diǎn)符號(hào)或其他非中文符號(hào)和數(shù)字
              sbd=true;
              }
              // Step 4

              for (j = 1; j <= m; j++) 
              {

               tbd=false;
               t_j1 = t[j-1];
               t_j2 = t[j];
               // Step 5
               if(t_j1>=' '&&t_j1<='@'||t_j1>='A'&&t_j1<='~' )
               {//t也為標(biāo)點(diǎn)符號(hào)
                tbd=true;
               }
               if(!sbd)
               {//s為漢字
                if(!tbd)
                {//t也為漢字
                 if (s_i1 == t_j1&&s_i2 == t_j2) 
                 {
                  bool tt=false;
                  int temp=GetAt(cost,i,j,n);
                  if(temp==2)
                  {
                   PutAt(cost,i,j,n,0);
                   tt=true;
                  }
                  if(tt)
                  {//因?yàn)閟t全市漢字,所以把代價(jià)矩陣他相鄰的未賦過(guò)值的三個(gè)格賦值
                   int temp1=GetAt(cost,i+1,j,n);
                   if(temp1==2)
                   {
                    PutAt(cost,i+1,j,n,0);
                   }
                   int temp2=GetAt(cost,i,j+1,n);
                   if(temp2==2)
                   {
                    PutAt(cost,i,j+1,n,0);
                   }
                   int temp3=GetAt(cost,i+1,j+1,n);
                   if(temp3==2)
                   {
                    PutAt(cost,i+1,j+1,n,0);
                   }
                  }
                 }
                 else 
                 {
                  bool tt=false;
                  int temp=GetAt(cost,i,j,n);
                  if(temp==2)
                  {
                   PutAt(cost,i,j,n,1);
                   tt=true;
                  }
                  if(tt)
                  {
                   int temp1=GetAt(cost,i+1,j,n);
                   if(temp1==2)
                   {
                    PutAt(cost,i+1,j,n,1);
                   }
                   int temp2=GetAt(cost,i,j+1,n);
                   if(temp2==2)
                   {
                    PutAt(cost,i,j+1,n,1);
                   }
                   int temp3=GetAt(cost,i+1,j+1,n);
                   if(temp3==2)
                   {
                    PutAt(cost,i+1,j+1,n,1);
                   }
                  }
                 }
                }
                else
                {//t為符號(hào)
                 bool tt=false;
                 int temp=GetAt(cost,i,j,n);
                 if(temp==2)
                 {
                  PutAt(cost,i,j,n,1);
                  tt=true;
                 }
                 if(tt)
                 {
                  int temp1=GetAt(cost,i+1,j,n);
                  if(temp1==2)
                  {
                   PutAt(cost,i+1,j,n,1);
                  }
                 }
                
                }

               }
               else
               {//s為符號(hào)
                if(!tbd)
                {//t為漢字 
                 bool tt=false;
                 int temp=GetAt(cost,i,j,n);
                 if(temp==2)
                 {
                  PutAt(cost,i,j,n,1);
                  tt=true;
                 }
                 if(tt)
                 {
                  int temp1=GetAt(cost,i,j+1,n);
                  if(temp1==2)
                  {
                   PutAt(cost,i,j+1,n,1);
                  }
                 }
                }
                else
                {
                 if(s_i1==t_j1)
                 {
                  int temp=GetAt(cost,i,j,n);
                  if(temp==2)
                  {
                   PutAt(cost,i,j,n,0);
                  }
                 }
                 else
                 {
                  int temp=GetAt(cost,i,j,n);
                  if(temp==2)
                  {
                   PutAt(cost,i,j,n,1);
                  }
                 }
                }

               }

                // Step 6

               above = GetAt (d,i-1,j, n);
               left = GetAt (d,i, j-1, n);
               diag = GetAt (d, i-1,j-1, n);
               int curcost=GetAt(cost,i,j,n);
               cell = Minimum (above + 1, left + 1, diag + curcost);
               PutAt (d, i, j, n, cell);
              }
             }

              // Step 7

              result = GetAt (d, n, m, n);
              free (d);
              return result;

            }

            2.最長(zhǎng)公共子串 (LCS)
            LCS問(wèn)題就是求兩個(gè)字符串最長(zhǎng)公共子串的問(wèn)題。解法就是用一個(gè)矩陣來(lái)記錄兩個(gè)字符
            串中所有位置的兩個(gè)字符之間的匹配情況,若是匹配則為1,否則為0。然后求出對(duì)角線最長(zhǎng)的1序列,其對(duì)應(yīng)的位置就是最長(zhǎng)匹配子串的位置.
            下面是字符串21232523311324和字符串312123223445的匹配矩陣,前者為X方向的,
            后者為Y方向的。不難找到,紅色部分是最長(zhǎng)的匹配子串。通過(guò)查找位置我們得到最長(zhǎng)的匹配子串為:21232
                0 0 0 1 0 0 0 1 1 0 0 1 0 0 0
              0 1 0 0 0 0 0 0 0 1 1 0 0 0 0
              1 0 1 0 1 0 1 0 0 0 0 0 1 0 0
              0 1 0 0 0 0 0 0 0 1 1 0 0 0 0
              1 0 1 0 1 0 1 0 0 0 0 0 1 0 0
              0 0 0 1 0 0 0 1 1 0 0 1 0 0 0
              1 0 1 0 1 0 1 0 0 0 0 0 1 0 0
              1 0 1 0 1 0 1 0 0 0 0 0 1 0 0
              0 0 0 1 0 0 0 1 1 0 0 1 0 0 0
              0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
              0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
              0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 
              0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
            但是在0和1的矩陣中找最長(zhǎng)的1對(duì)角線序列又要花去一定的時(shí)間。通過(guò)改進(jìn)矩陣的生成方式和設(shè)置標(biāo)記變量,可以省去這部分時(shí)間。下面是新的矩陣生成方式:
                0 0 0 1 0 0 0 1 1 0 0 1 0 0 0
              0 1 0 0 0 0 0 0 0 2 1 0 0 0 0
              1 0 2 0 1 0 1 0 0 0 0 0 1 0 0
              0 2 0 0 0 0 0 0 0 1 1 0 0 0 0
              1 0 3 0 1 0 1 0 0 0 0 0 1 0 0
              0 0 0 4 0 0 0 2 1 0 0 1 0 0 0
              1 0 1 0 5 0 1 0 0 0 0 0 2 0 0
              1 0 1 0 1 0 1 0 0 0 0 0 1 0 0
              0 0 0 2 0 0 0 2 1 0 0 1 0 0 0
              0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
              0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
              0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
              0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
            當(dāng) 字符匹配的時(shí)候,我們并不是簡(jiǎn)單的給相應(yīng)元素賦上1,而是賦上其左上角元素的值加一。我們用兩個(gè)標(biāo)記變量來(lái)標(biāo)記矩陣中值最大的元素的位置,在矩陣生成的過(guò) 程中來(lái)判斷當(dāng)前生成的元素的值是不是最大的,據(jù)此來(lái)改變標(biāo)記變量的值,那么到矩陣完成的時(shí)候,最長(zhǎng)匹配子串的位置和長(zhǎng)度就已經(jīng)出來(lái)了。

            //最長(zhǎng)公共子串
            char* LCS(char*left,char* right){
             int lenLeft,lenRight;
             lenLeft = strlen(left);
             lenRight = strlen(right);
             int *c = new int[lenRight];
             int start,end,len;
             end = len = 0;
             for(int i = 0; i < lenLeft; i++){
              for(int j = lenRight-1; j >= 0; j--){
               if(left[i] == right[j]){
                if(i == 0 || j == 0)
                 c[j] = 1;
                else
                 c[j] = c[j-1]+1;
               }
               else
                c[j] = 0;
               if(c[j] > len){
                len = c[j];
                end = j;
               }
              }
             }
             char *p = new char[len+1];
             start = end - len + 1;
             for(i = start; i <= end; i++)
              p[i - start] = right[i];
             p[len] = '/0';
             return p;
            }
            3. 余弦定理 (向量空間算法)
            余弦定理古老而廣泛的數(shù)學(xué)概念,在各個(gè)學(xué)科及實(shí)踐中都得到了大量的應(yīng)用,這里簡(jiǎn)單的介紹下其在判斷兩個(gè)字符串相似度的應(yīng)用。
            在余弦定理中基本的公式為:

            假如字符串s1與s2,比較兩個(gè)字符串的相似度,sim(s1,s2),假設(shè)s1,s2中含有n個(gè)不同的字符,其分別為c1,c2,...cn,判 斷字符串的相似度轉(zhuǎn)換為兩個(gè)字符串對(duì)應(yīng)的向量v1,v2之間夾角大小的判斷,余弦值越大其向量之間的夾角越小,s1與S2的相似度越大。
            向量空間算法的介紹:
            在 向量空間模型中,文本泛指各種機(jī)器可讀的記錄。用D(Document)表示,特征項(xiàng)(Term,用t表示)是指出現(xiàn)在文檔D中且能夠代表該文檔內(nèi)容的基 本語(yǔ)言單位,主要是由詞或者短語(yǔ)構(gòu)成,文本可以用特征項(xiàng)集表示為D(T1,T2,…,Tn),其中Tk是特征項(xiàng),1<=k<=N。例如一篇文 檔中有a、b、c、d四個(gè)特征項(xiàng),那么這篇文檔就可以表示為D(a,b,c,d)。對(duì)含有n個(gè)特征項(xiàng)的文本而言,通常會(huì)給每個(gè)特征項(xiàng)賦予一定的權(quán)重表示其 重要程度。即D=D(T1,W1;T2,W2;…,Tn,Wn),簡(jiǎn)記為D=D(W1,W2,…,Wn),我們把它叫做文本D的向量表示。其中Wk是Tk 的權(quán)重,1<=k<=N。在上面那個(gè)例子中,假設(shè)a、b、c、d的權(quán)重分別為30,20,20,10,那么該文本的向量表示為 D(30,20,20,10)。在向量空間模型中,兩個(gè)文本D1和D2之間的內(nèi)容相關(guān)度Sim(D1,D2)常用向量之間夾角的余弦值表示,公式為:  

             
            其中,W1k、W2k分別表示文本D1和D2第K個(gè)特征項(xiàng)的權(quán)值,1<=k<=N。我們可以利用類似的方法來(lái)計(jì)算兩個(gè)字符串的相關(guān)度。    
            這個(gè)算法網(wǎng)上沒(méi)找到,雖然我寫(xiě)過(guò),但是沒(méi)什么通用性,就不貼出來(lái)。很簡(jiǎn)單的,有興趣的可以自己寫(xiě)一個(gè)。

            posted on 2012-04-01 07:52 Snape 閱讀(640) 評(píng)論(0)  編輯 收藏 引用 所屬分類: C++ 轉(zhuǎn)載

            導(dǎo)航

            <2025年7月>
            293012345
            6789101112
            13141516171819
            20212223242526
            272829303112
            3456789

            統(tǒng)計(jì)

            常用鏈接

            留言簿

            隨筆分類

            隨筆檔案

            文章分類

            文章檔案

            my

            搜索

            最新評(píng)論

            閱讀排行榜

            評(píng)論排行榜

            国产日韩久久久精品影院首页| 怡红院日本一道日本久久| 久久精品国产亚洲av高清漫画| 久久人人爽人人爽人人片AV麻烦| 国产精品中文久久久久久久| 国产精品成人久久久| 99久久人妻无码精品系列蜜桃| 亚洲欧美精品伊人久久| 久久强奷乱码老熟女| 亚洲精品国精品久久99热一| 久久亚洲精品成人av无码网站| 久久精品国产福利国产秒| 久久久久久久综合综合狠狠| 伊人久久大香线蕉av一区| 97久久精品人人澡人人爽| 久久亚洲2019中文字幕| 国产69精品久久久久久人妻精品| 久久91精品国产91久久户| 国产99久久久国产精品小说| 久久se精品一区二区| 中文字幕无码精品亚洲资源网久久| 嫩草影院久久99| 久久亚洲日韩精品一区二区三区 | 国产精品99久久久精品无码| 国产精品久久久久影院色| 久久精品人妻中文系列| 激情综合色综合久久综合| 久久久久女人精品毛片| 久久人人爽人人爽人人片av麻烦| 久久综合狠狠综合久久激情 | 无码人妻精品一区二区三区久久久| 久久九九免费高清视频| 久久精品草草草| 97久久精品午夜一区二区| 亚洲va久久久噜噜噜久久男同| 思思久久99热只有频精品66| 久久伊人中文无码| 国产真实乱对白精彩久久| 亚洲国产精品婷婷久久| 青青国产成人久久91网| 久久综合九色综合欧美狠狠|