这已经是字符串相似度算法了吗？

Posted 2023-02-16

【中文标题】这已经是字符串相似度算法了吗？

【英文标题】：Is this already a string similarity algorithm?

【发布时间】：2016-09-20 23:33:03

【问题描述】：

我不熟悉字符串相似性算法，除了 Levenshtein 距离，因为这是我正在使用的算法，但结果并不理想。

所以我有点想实现一个递归算法的想法，但我想知道它是否已经存在，以便我可以利用其他人的专业知识。

以下是算法示例：

字符串 1：“保罗·约翰逊”

字符串 2：“约翰·保尔森”

第 1 步：找到所有最长的匹配项

第 1 场比赛：“保罗”

比赛 2：“约翰”

第 3 场比赛：“儿子”

第 4 场比赛：“”

第 2 步：使用以下公式计算每个匹配项的分数：((match.len/string.len)*match.len) 这允许更长的字符串以基于字符串长度的平衡比率进行更多加权。

第 1 场比赛：(4/12)*4 = 1.333...

第 2 场比赛：1.333...

第 3 场比赛：0.75

第 4 场比赛：.083

第 3 步：在更大的范围内执行第 1 步和第 2 步，（匹配的匹配项。）我还没有完全弄清楚。但我的想法是，如果“儿子”出现在“保罗·约翰”之后，并且出现在“约翰·保罗”之后，那么这应该很重要。

第 4 步：将所有已计算的分数相加。

分数：1.333 + 1.333 + .75 + .083333 = 3.4999...（加上第 3 步产生的任何分数）

这对任何人来说都很熟悉吗？我希望其他人已经麻烦按照这些思路实际制作算法，这样我就不必自己弄清楚了。

【问题讨论】：

你能描述一下为什么 Levenshtein 距离不理想吗？

你是只匹配人名，还是匹配更通用的字符串？

@Chris，在某些情况下，局部相似性可能比全局差异性更可取。两个序列中的这种比对称为局部序列比对，在这种比对中，您更感兴趣的是找到具有最大相似性的两个字符串的子字符串。

@Chris 我正在比较可变长度的句子。例如：这两个句子中哪一个与第一个“更接近”： 1. 我爱。 2. 我爱每一个人。 3、你好。 #3 的得分比 #2 更接近 #1，因为它的长度相似，所以编辑距离很短。即使长度相同，编辑距离也会忽略“彼此相邻”的字母数量，尽管它在某种程度上量化了它们是否按正确的顺序排列。无论如何，即使 #2 和 #1 具有匹配的字符串 #3 具有较低的编辑距离。

【参考方案1】：

您所描述的内容有点类似于以下论文所称的最长公共子串 (LCS)。简要描述和与其他算法的比较： A Comparison of Personal Name Matching

该算法 [11] 反复寻找并删除最长的公共 比较的两个字符串中的子字符串，最长为最小长度 （通常设置为 2 或 3）。

... 相似性度量可以通过以下方式计算 将公共子字符串的总长度除以最小值， 两个原始字符串的最大或平均长度（类似于 史密斯-沃特曼）。

...

这个算法是 适用于有单词的复合名称（如给定和姓氏） 换了。

【讨论】：

您应该阅读我链接到的论文，并按照示例进行操作。不幸的是，他将其称为 LCS，因为它将其与最长公共子串问题和最长公共子序列混淆了，这两者都与他在论文中描述的不同。他所描述的与您在上面评论中给出的所有示例都不匹配。

谢谢，是的，我注意到它与我一直在研究的子序列混淆了。同时，我将看一下我编写的代码接近（并且比上面描述的更简单）的代码。我在这里对我完全出于我的目的而编写的代码做了一个更好的解释：meta.codegolf.stackexchange.com/questions/2140/…