标签：字符 递归 距离 拼写 edist 编辑 搜索引擎 字符串 纠错
如何量化两个字符串的相似度
量化两个字符串的相似度有一个非常著名的量化方法，那就是编辑距离。
所谓编辑距离就是指，将一个字符串转换成另一个字符串，需要的最少编辑操作次数(比如增加一个字符、删除一个字符、替换一个字符)。编辑距离越大，说明两个字符串的相似程度越小；编辑距离越小，说明两个字符串的相似程度越大。对于两个完全相同的字符串来说，编辑距离就是0.
根据所包含的编辑，编辑距离有多种不同的计算方式，比较著名的有莱文斯坦距离和最长公共子串长度。其中，莱温斯坦距离允许增加、删除、替换字符这三个编辑操作，最长公共子串长度只允许增加、删除字符这两个编辑操作。
而且，莱温斯坦距离和最长公共子串长度，从两个截然相反的角度，分析字符串的相似程度。莱温斯坦距离的大小，表示两个字符串差异的大小；最长公共子串的大小，表示两个字符串相似程度的大小。
比如，两个字符串 mitcmu 和mtacnu 的莱文斯坦距离是 3，最长公共子串长度是 4。
如何编程计算莱文斯坦距离？
这个问题是求一个字符串变成另一个字符串，需要的是最少编辑次数。整个求解过程，涉及多个决策阶段，我们需要依次考察一个字符串中的每个字符，跟另一个字符串中的字符是否匹配，匹配的话如何处理，不匹配的话又如何处理。所以，这个问题符合多阶段决策最优解模型。
要解决这个问题，我们先来用最简单的回溯算法来解决。
回溯是一个递归处理的过程，如果 a [ i ] a[i] a[i]和 a [ j ] a[j] a[j]匹配，我们递归考察 a [ i + 1 ] a[i+1] a[i+1]和 b [ j + 1 ] b[j+1] b[j+1]。如果 a [ i ] a[i] a[i]和 b [ j ] b[j] b[j]不匹配，那我们有多种处理方式可选：
- 可以删除 a [ i ] a[i] a[i]，然后递归考察 a [ i + 1 ] a[i+1] a[i+1]和 b [ j ] b[j] b[j]
- 可以删除 b [ i ] b[i] b[i]，然后递归考察 a [ i ] a[i] a[i]和 b [ j + 1 ] b[j+1] b[j+1]
- 可以在 a [ i ] a[i] a[i]前面添加一个跟 b [ j ] b[j] b[j]相同的字符，然后递归考察 a [ i ] a[i] a[i]和 b [ j + 1 ] b[j+1] b[j+1]
- 可以在 b [ j ] b[j] b[j]前面添加一个跟 a [ i ] a[i] a[i]相同的字符，然后递归考察 a [ i + 1 ] a[i+1] a[i+1] 和 b [ j ] b[j] b[j]
- 可以将 a [ i ] a[i] a[i] 替换成 b [ j ] b[j] b[j]，或者将 b [ j ] b[j] b[j]替换成 a[i]，然后递归考察 a [ i + 1 ] a[i+1] a[i+1] 和 b [ j + 1 ] b[j+1] b[j+1]
上面过程代码实现如下：
private char[] a = "mitcmu".toCharArray();
private char[] b = "mtacnu".toCharArray();
private int n = 6;
private int m = 6;
private int minDist = Integer.MAX_VALUE; //存储结果
// 调用 lwstDT(0, 0, 0);
public void lwstBT(int i, int j, int edist){
if(i == n || j == m){
if(i < n){
edist += (n - i);
}
if(j < m){
edist += (m - j);
}
if(edist < minDist){
minDist = edist;
}
return;
}
// 两个字符匹配
if(a[i] == b[j]){
lwstBT(i +1, j + 1, edist);
}else{ //两个字符不匹配
lwstBT(i + 1, j, edist + 1); // 删除 a[i] 或者 b[j] 前添加一个字符
lwstBT(i, j + 1, edist + 1); // 删除 b[j] 或者 a[i] 前添加一个字符
lwstBT(i + 1, j + 1, edist + 1); // 将 a[i] 和 b[j] 替换为相同字符
}
}
根据回溯算法的代码实现，我们可以画出递归树，看是否存在重复子问题。如果存在重复子问题，那我们就可以考虑是否能用动态规划来解决；如果不存在重复子问题，那回溯就是最好的解决方法。
在递归树中，每个节点代表一个状态，状态包含三个变量
(
i
，
j
，
e
d
i
s
t
)
(i，j，edist)
(i，j，edist)，其中，edist表示处理到
a
[
i
]
a[i]
a[i]和
b
[
j
]
b[j]
b[j]时，已经执行的编辑操作的次数。
在递归树中， ( i ， j ) (i，j) (i，j)两个变量重复的节点很多，比如 ( 3 ， 2 ) (3，2) (3，2)和 ( 2 ， 3 ) (2，3) (2，3)。对于 ( i ， j ) (i，j) (i，j)相同的节点，我们只需要考虑保留edist最小的，继续递归处理就可以了，剩下的节点都可以舍弃。所以，状态就从 ( i ， j ， e d i s t ) (i，j，edist) (i，j，edist)变成了 ( i ， j ， m i n d i s t ) (i，j，mindist) (i，j，mindist)，其中mindist表示处理到 a [ i ] a[i] a[i]和 b [ j ] b[j] b[j]，已经执行的最少编辑次数。
这里的动态递归跟矩阵最短路径很相似，在矩阵最短路径中，到达状态(i，j)只能通过(i-1，j)或者(i，j-1)两个状态转移过来，而字符编辑距离状态(i，j)可能从(i-1，j)，(i，j-1)，(i-1，j-1)三个状态中的任意一个转移过来。
标签：字符,递归,距离,拼写,edist,编辑,搜索引擎,字符串,纠错 来源： https://blog.csdn.net/zhizhengguan/article/details/122762793
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。