计算字符串的相似度

旧城等待， 2022-03-20 10:14 278阅读 0赞

## 1.百度百科介绍： ##

Levenshtein 距离，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。

## 2.用途 ##

模糊查询

## 3.实现过程 ##

### a.首先是有两个字符串,这里写一个简单的 abc和abe ###

### b.将字符串想象成下面的结构。 ###

A处 是一个标记，为了方便讲解，不是这个表的内容。

### c.来计算A处 出得值 ###

它的值取决于：左边的1、上边的1、左上角的0.

按照Levenshtein distance的意思：

上面的值和左面的值都要求加1，这样得到1+1=2。

A处 由于是两个a相同，左上角的值加0.这样得到0+0=0。

这是后有三个值，左边的计算后为2，上边的计算后为2，左上角的计算为0，所以A处 取他们里面最小的0.

### d.于是表成为下面的样子 ###

在B处 会同样得到三个值，左边计算后为3，上边计算后为1，在B处 由于对应的字符为a、b，不相等，所以左上角应该在当前值的基础上加1，这样得到1+1=2，在（3,1,2）中选出最小的为B处的值。

### e.于是表就更新了 ###

C处 计算后：上面的值为2，左边的值为4，左上角的：a和e不相同，所以加1，即2+1，左上角的为3。

在（2,4,3）中取最小的为C处 的值。

### f.于是依次推得到 ###

I处: 表示abc 和abe 有1个需要编辑的操作。这个是需要计算出来的。

同时，也获得一些额外的信息。

A处: 表示a      和a      需要有0个操作。字符串一样

B处: 表示ab    和a      需要有1个操作。

C处: 表示abe  和a      需要有2个操作。

D处: 表示a      和ab    需要有1个操作。

E处: 表示ab    和ab    需要有0个操作。字符串一样

F处: 表示abe  和ab    需要有1个操作。

G处: 表示a      和abc   需要有2个操作。

H处: 表示ab    和abc    需要有1个操作。

I处: 表示abe   和abc    需要有1个操作。

### g.计算相似度 ###

先取两个字符串长度的最大值maxLen，用1-（需要操作数除maxLen），得到相似度。

例如abc 和abe 一个操作，长度为3，所以相似度为1-1/3=0.666。

## 4.代码实现 ##

直接能运行， 复制过去就行。

package code;
    
    /**
     * @className:MyLevenshtein.java
     * @classDescription:Levenshtein Distance 算法实现
     * 可以使用的地方：DNA分析 　　拼字检查 　　语音辨识 　　抄袭侦测
     * @author:donghai.wan
     * @createTime:2012-1-12
     */
    public class MyLevenshtein {
    
    	public static void main(String[] args) {
    		//要比较的两个字符串
    		String str1 = "今天星期四";
    		String str2 = "今天是星期五";
    		levenshtein(str1,str2);
    	}
    
    	/**
    	 * 　　DNA分析 　　拼字检查 　　语音辨识 　　抄袭侦测
    	 * 
    	 * @createTime 2012-1-12
    	 */
    	public static void levenshtein(String str1,String str2) {
    		//计算两个字符串的长度。
    		int len1 = str1.length();
    		int len2 = str2.length();
    		//建立上面说的数组，比字符长度大一个空间
    		int[][] dif = new int[len1 + 1][len2 + 1];
    		//赋初值，步骤B。
    		for (int a = 0; a <= len1; a++) {
    			dif[a][0] = a;
    		}
    		for (int a = 0; a <= len2; a++) {
    			dif[0][a] = a;
    		}
    		//计算两个字符是否一样，计算左上的值
    		int temp;
    		for (int i = 1; i <= len1; i++) {
    			for (int j = 1; j <= len2; j++) {
    				if (str1.charAt(i - 1) == str2.charAt(j - 1)) {
    					temp = 0;
    				} else {
    					temp = 1;
    				}
    				//取三个值中最小的
    				dif[i][j] = min(dif[i - 1][j - 1] + temp, dif[i][j - 1] + 1,
    						dif[i - 1][j] + 1);
    			}
    		}
    		System.out.println("字符串\""+str1+"\"与\""+str2+"\"的比较");
    		//取数组右下角的值，同样不同位置代表不同字符串的比较
    		System.out.println("差异步骤："+dif[len1][len2]);
    		//计算相似度
    		float similarity =1 - (float) dif[len1][len2] / Math.max(str1.length(), str2.length());
    		System.out.println("相似度："+similarity);
    	}
    
    	//得到最小值
    	private static int min(int... is) {
    		int min = Integer.MAX_VALUE;
    		for (int i : is) {
    			if (min > i) {
    				min = i;
    			}
    		}
    		return min;
    	}
    
    }

转载自： [http://wdhdmx.iteye.com/blog/1343856][http_wdhdmx.iteye.com_blog_1343856]

[http_wdhdmx.iteye.com_blog_1343856]: http://wdhdmx.iteye.com/blog/1343856