字符串相似度算法java java中文字符串相似度算法_字符串

算法简介：

Levenshtein Distance，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。


1. 
2.   * 比较两个字符串的相识度
3.   * 核心算法：用一个二维数组记录每个字符串是否相同，如果相同记为0，不相同记为1，每行每列相同个数累加
4.   * 则数组最后一个数为不相同的总数，从而判断这两个字符的相识度
5.   *
6.  @param str
7.  @param target
8.  @return
9.   */
10.  private static int compare(String str, String target) {
11.  int d[][]; // 矩阵
12.  int n = str.length();
13.  int m = target.length();
14.  int i; // 遍历str的
15.  int j; // 遍历target的
16.  char ch1; // str的
17.  char ch2; // target的
18.  int temp; // 记录相同字符,在某个矩阵位置值的增量,不是0就是1
19.  if (n == 0) {
20.  return m;
21.  }
22.  if (m == 0) {
23.  return n;
24.  }
25.  d = new int[n + 1][m + 1];
26.  // 初始化第一列
27.  for (i = 0; i <= n; i++) {
28.  d[i][0] = i;
29.  }
30.  // 初始化第一行
31.  for (j = 0; j <= m; j++) {
32.  d[0][j] = j;
33.  }
34.  for (i = 1; i <= n; i++) {
35.  // 遍历str
36.  ch1 = str.charAt(i - 1);
37.  // 去匹配target
38.  for (j = 1; j <= m; j++) {
39.  ch2 = target.charAt(j - 1);
40.  if (ch1 == ch2 || ch1 == ch2 + 32 || ch1 + 32 == ch2) {
41.  temp = 0;
42.  } else {
43.  temp = 1;
44.  }
45.  // 左边+1,上边+1, 左上角+temp取最小
46.  d[i][j] = min(d[i - 1][j] + 1, d[i][j - 1] + 1, d[i - 1][j - 1] + temp);
47.  }
48.  }
49.  return d[n][m];
50.  }
51.   
52.   
53.  /**
54.   * 获取最小的值
55.   */
56.  private static int min(int one, int two, int three) {
57.  return (one = one < two ? one : two) < three ? one : three;
58.  }
59.   
60.  /**
61.   * 获取两字符串的相似度
62.   */
63.  public static float getSimilarityRatio(String str, String target) {
64.  int max = Math.max(str.length(), target.length());
65.  return 1 - (float) compare(str, target) / max;
66.  }
67.  public static void main(String[] args) {
68.  String a= "Steel";
69.  String b = "Steel Pipe";
70.  System.out.println("相似度："+getSimilarityRatio(a,b));
71.  }

算法原理：

该算法的解决是基于动态规划的思想，具体如下： 
设 s 的长度为 n，t 的长度为 m。如果 n = 0，则返回 m 并退出；如果 m=0，则返回 n 并退出。否则构建一个数组 d[0..m, 0..n]。 
将第0行初始化为 0..n，第0列初始化为0..m。 
依次检查 s 的每个字母(i=1..n)。 
依次检查 t 的每个字母(j=1..m)。 
如果 s[i]=t[j]，则 cost=0；如果 s[i]!=t[j]，则 cost=1。将 d[i,j] 设置为以下三个值中的最小值： 
紧邻当前格上方的格的值加一，即 d[i-1,j]+1 
紧邻当前格左方的格的值加一，即 d[i,j-1]+1 
当前格左上方的格的值加cost，即 d[i-1,j-1]+cost 
重复3-6步直到循环结束。d[n,m]即为莱茵斯坦距离。

参考链接：

http://wdhdmx.iteye.com/blog/1343856