文本相似度算法之编辑距离算法

Posted 2022-12-07 raintungli

定义

编辑距离又称Leveinshtein距离，是由俄罗斯科学家Vladimir Levenshtein在1965年提出。
以字符串为例，字符串a和字符串b的编辑距离是将a转换成b的最小操作次数，这里的操作包括三种：
插入一个字符
删除一个字符
替换一个字符

举个例子，
计算learning和meaning的编辑距离，需要下列步骤

• learning -> mearning 将k替换成s
• mearning -> meaning 将r删除

至少要做2次操作，编辑距离为2

公式

用$e{d}_{a,b}(i,j)$来表示a,b字符串的编辑距离，其中i代表a的长度，j代表b的长度
$$e{d}_{a,b}(i,j)=\{\begin{array}{rlr}min(i,j)=0& & \max (i,j)\\ a_i=b_j& & e{d}_{a,b}(i-1,j-1)\\ a_i<>b_j& & \min (e{d}_{a,b}(i-1,j-1)+1,e{d}_{a,b}(i-1,j)+1,e{d}_{a,b}(i,j-1)+1)\end{array}$$
$e{d}_{a,b}(i,j)$的值描述如下：

• min(i,j)=0 代表有一个字符串为空，编辑距离就是另一个非空字符串的长度
• 当字符$a_i$值等于$b_j$的时候，编辑距离就是a,b字符串上一个字符的编辑距离$e{d}_{a,b}(i-1,j-1)$
• 当$a_i$值不等于$b_j$的时候，编辑距离如下三种情况的最小值
  1. $e{d}_{a,b}(i-1,j)+1$ 删除$a_i$
  2. $e{d}_{a,b}(i,j-1)+1$ 插入$b_j$
  3. $e{d}_{a,b}(i-1,j-1)+1$ 替换$b_j$

矩阵

在前面的公式中，我们可以很明显的感觉到可以用一个二维矩阵来表达该距离
我们用learn(a)和mean(b)比较简单的单词用矩阵来表达：

1. 初始化：在矩阵的第1行的时候，表示b的长度为0，根据第一个规则，当b长度为0的时候，a的编辑距离就是a字符串的长度，也就是mean的1，2，3，4，反之第一列也是如此

	0	m	e	a	n
0	0	1	2	3	4
l	1
e	2
a	3
r	4
n	5

	0	m	e	a	n
0	0	1	2	3	4
l	1	m!=l 所以取min(0+1,1+1,1+1)=1
e	2
a	3
r	4
n	5

	0	m	e	a	n
0	0	1	2	3	4
l	1	1	e!=l 所以取min(1+1,2+1,1+1)=2
e	2
a	3
r	4
n	5

如此持续迭代，直至推导最终结果

	0	m	e	a	n
0	0	1	2	3	4
l	1	1	2	3	4
e	2	2	1	2	3
a	3	3	2	1	2
r	4	4	3	2	2
n	5	5	4	3	2

最后的编辑距离就是2

算法优化

当i<j的时候，最小的时间复杂度O$(i^2)$，最小空间复杂度是O$(2\ast i)$

为何复杂度不是O$(i\ast j)$?
当我们只是计算编辑距离的时候，只是求矩阵的最后一个值。当字符串的长度i<j的时候，我们并不需要继续计算在区间i到j的距离，因为在这种场景下只是插入字符到尾部，依据定义，只要将(j-i-1)差值直接加上就可，无需在继续计算

为何最小空间复杂度是O$(2\ast i)$
在我们计算的时候，发现只是需要2行也就是当前行和前一行的状态，所以没必要保存完整的矩阵，而只需要保存2行矩阵

优化后的代码如下：

public static int editDistance(String left, String right) 
		if(left.length() > right.length()) 
			String tmp = left;
			left = right;
			right = tmp;
		
		int x,y,gap = 0;
		if(right.length() == left.length()) 
	    	 x = left.length();
	    	 y = x;
	     else 
	    	x = left.length()+1;
	    	y = left.length();
	    	gap = right.length() - left.length() -1;
	    
	    int[] pre = new int[ y + 1];
	    int[] cur = new int[ y + 1];
	    for (int i = 0; i < pre.length; i++) 
	        pre[i] = i;
	    
	    for (int i = 1; i <= x; i++) 
	    	cur[0] = i;
	        for (int j = 1; j <= y; j++) 
	            if (right.charAt(i - 1) == left.charAt(j - 1)) 
	            	cur[j] = pre[j - 1];
	             else 
	            	cur[j] = Math.min(cur[j - 1], Math.min(pre[j], pre[j - 1])) + 1;
	            
	        
	        int[] tmp = pre;
	        pre = cur;
	        cur = tmp;
	    
	    return pre[pre.length - 1]+gap;