一、基于编辑距离的字符串相似度计算
两个字符串之间的相似度可以用编辑距离来定义。所谓编辑,指的是,对字符串中的任一字符进行插入,删除和替换这三种操作。经过一定步骤的编辑,一个字符串可以变换为另一个字符串,那么最少的编辑步数称为两个字符串的编辑距离。
这是一个递归或动态规划的问题。比如长度分别为m,n的字符串str1和str2,其编辑距离为d(m,n), 则显然有
|
其意思是,编辑距离只与三种情况有关。假设将str1转化为str2:
第一种情况,让str1的前m-1个字符和str2的前n-1个字符进行转化,str1最后一个字符 替换成str2最后一个字符。这样 (str1[m]==str2[n])?d(m-1,n-1):d(m-1,n-1)+1这一句就好理解了。即两字符串最后一个字符相等的话,就用不着替换,否则就要替换。
第二种情况,将str1转化为str2的前n-1个字符,然后插入str2最后一个字符,变成str2。其编辑步骤数显然是d(m,n-1)+1。
第三种情况,和第二种情况类似,将str1的前m-1个字符转化为str2,然后删除str1最后一个字符。
这三种情况各得到一个编辑步骤数,取其最小值即可。
这样,我们得到一个递归式。其初始条件是
|
因此,我们就可以据此递推式构造一个动态规划过程,假设两个字符串分别为"china"和"unix",则
| | c | h | i | n | a |
| 0 | 1 | 2 | 3 | 4 | 5 |
u | 1 | 1 | 2 | 3 | 4 | 5 |
n | 2 | 2 | 2 | 3 | 3 | 4 |
i | 3 | 3 | 3 | 2 | 3 | 4 |
x | 4 | 4 | 4 | 3 | 3 | 4 |
图中黑色加粗部分是初始值,而红色部分是一条可能的路径。若将"china"变成"unix",则可能的步骤是
c->u, h->n, delete n, a->x
编程实现时,可以直接在一个矩阵中进行。但为节约空间,也可以只用两个数组,每次更新一行。但要注意,较长的字符串要置于水平方向。
#include<iostream>
#include<cstring>
using namespace std;
int min(int x,int y, int z){
int m = x;
if(m > y) m = y;
if(m > z) m = z;
return m;
}
int stringDistance(const char* str1, const char* str2){
int len1 = strlen(str1);
int len2 = strlen(str2);
const char* longStr, *shortStr;
int longLen, shortLen;
if(len1 > len2){
longStr = str1;
shortStr = str2;
longLen = len1;
shortLen = len2;
}else{
longStr = str2;
shortStr = str1;
longLen = len2;
shortLen = len1;
}
int *dist1 = new int[longLen+1];
int *newdist = new int[longLen+1];
for(int i=1;i<=longLen;i++){
dist1[i] = i;
}
dist1[0] = 0;
for(int j=0;j<=longLen;j++){
cout << j << " " ;
}
cout << endl;
for(int i=1;i<=shortLen; i++){
newdist[0] = i;
cout << i << " ";
for(int j=1;j<=longLen;j++){
newdist[j] = min(
(longStr[j-1]==shortStr[i-1])?dist1[j-1]:dist1[j-1]+1,
newdist[j-1]+1, dist1[j]+1);
cout << newdist[j] << " ";
}
cout << endl;
memcpy(dist1, newdist, sizeof(int)*(longLen+1));
}
int result = dist1[longLen];
delete [] dist1;
delete [] newdist;
return result;
}
int main(int argc, char* argv[]){
if(argc != 3){
cout << "USAGE: " << argv[0] << " str1 str2" << endl;
return 0;
}
cout << "Edit Distance is: " << stringDistance(argv[1],argv[2]) << endl;
return 0;
}