Wed, 25 Jun 2008 02:08:00 GMT

两字�W�串�怼�度计��方法有好多�Q�现对基于编距的��法的相似度计算自己�ȝ��下�?/p>

��单介�l�下Levenshtein Distance(LD)�Q�LD 可能衡量两字�W�串的相似性。它们的距离��是一个字�W�串转换成那一个字�W�串�q�程中的��d��、删除、修�Ҏ��倹{�?/p>

举例�Q?/p>

如果str1="test"�Q�str2="test"�Q�那么LD(str1,str2) = 0。没有经�q��{换�?
如果str1="test"�Q�str2="tent"�Q�那么LD(str1,str2) = 1。str1�?s"转换"n"�Q��{换了一个字�W�，所以是1�?

如果它们的距��越大，说明它们��是不同�?/p>

Levenshtein distance最先是�׃��国科学家Vladimir Levenshtein�?965�q�发明，用他的名字命名。不会拼读，可以叫它edit distance�Q�编辑距��）�?/p>

Levenshtein distance可以用来�Q?/p>

Spell checking(拼写��?
Speech recognition(语句识别)
DNA analysis(DNA分析)
Plagiarism detection(抄袭��?

LD用m*n的矩阵存储距��d��{��算法大概过�E�：

str1或str2的长度�ؓ0�q�回另一个字�W�串的长度�?
初始�?n+1)*(m+1)的矩阵d�Q��ƈ让第一行和列的��g��0开始增�ѝ�?
扫描两字�W�串�Q�n*m�U�的�Q�，如果�Q�str1[i] == str2[j]�Q�用temp记录它，�?。否则temp��Cؓ1。然后在矩阵d[i][j]赋于d[i-1][j]+1 、d[i][j-1]+1、d[i-1][j-1]+temp三者的最��倹{�?
扫描完后�Q�返回矩�늚�最后一个值即d[n][m]

最后返回的是它们的距离。怎么�Ҏ��q�个距离求出�怼�度呢�Q�因为它们的最大距��d��是两字符串长度的最大倹{��对字符串不是很敏感。现我把�怼�度计��公式定�?-它们的距��?字符串长度最大倹{�?/p>

源码�Q?/p>

package com.chenlb.algorithm;

/**
* �~�辑距离的两字符串相似度
*
* @author chenlb 2008-6-24 下午06:41:55
*/
public class Similarity {

    private int min(int one, int two, int three) {
        int min = one;
        if(two < min) {
            min = two;
        }
        if(three < min) {
            min = three;
        }
        return min;
    }

    public int ld(String str1, String str2) {
        int d[][];    //矩阵
        int n = str1.length();
        int m = str2.length();
        int i;    //遍历str1�?/span>
        int j;    //遍历str2�?/span>
        char ch1;    //str1�?/span>
        char ch2;    //str2�?/span>
        int temp;    //记录相同字符,在某个矩阵位�|�值的增量,不是0��是1
        if(n == 0) {
            return m;
        }
        if(m == 0) {
            return n;
        }
        d = new int[n+1][m+1];
        for(i=0; i<=n; i++) {    //初始化第一�?/span>
            d[i][0] = i;
        }
        for(j=0; j<=m; j++) {    //初始化第一�?/span>
            d[0][j] = j;
        }
        for(i=1; i<=n; i++) {    //遍历str1
            ch1 = str1.charAt(i-1);
            //��d��配str2
            for(j=1; j<=m; j++) {
                ch2 = str2.charAt(j-1);
                if(ch1 == ch2) {
                    temp = 0;
                } else {
                    temp = 1;
                }
                //左边+1,上边+1, 左上�?temp取最��?/span>
                d[i][j] = min(d[i-1][j]+1, d[i][j-1]+1, d[i-1][j-1]+temp);
            }
        }
        return d[n][m];
    }

    public double sim(String str1, String str2) {
        int ld = ld(str1, str2);
        return 1 - (double) ld / Math.max(str1.length(), str2.length());
    }

    public static void main(String[] args) {
        Similarity s = new Similarity();
        String str1 = "chenlb.blogjava.net";
        String str2 = "chenlb.javaeye.com";
        System.out.println("ld="+s.ld(str1, str2));
        System.out.println("sim="+s.sim(str1, str2));
    }
}

不知sim�Ҏ��中的公式是合理，个�h认�ؓ差强人意思，^_^

参�? http://www.merriampark.com/ld.htm

��浪�?/a> 2008-06-25 10:08 发表评论

日韩精品一二三四区,欧美伊人影院,91在线看国产