自然语言处理学习篇02——Edit Distance

最新推荐文章于 2025-05-31 15:52:32 发布
最新推荐文章于 2025-05-31 15:52:32 发布
阅读量1w 收藏 29
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 自然语言处理学习篇 文章标签： distance 自然语言处理 string
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/huaweidong2011/article/details/7727482
本文详细探讨了自然语言处理中的Edit Distance概念，包括最小编辑距离的定义、计算方法、回溯计算对齐方式、加权最小编辑距离及其在计算生物学中的应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

第二章 Edit Distance


本篇内容将讲述Edit Distance（编辑距离的定义详见正文），具体又包含5个方面的内容：
  1. Defining Minimum Edit Distance 
  2. Computing Minimum Edit Distance
  3. Backtrace for Computing Alignments
  4. Weighted Minimum Edit Distance
  5. Minimum Edit Distance in Computational Biololgy

1. Definition of  Minimum Edit Distance 

Edit Distance用于衡量两个strings之间的相似性。
两个strings之间的 Minimum edit distance是指把其中一个string通过编辑（包括插入，删除，替换操作）转换为另一个string的最小操作数。
如上图所示，d（deletion）代表删除操作，s（substitution）代表替换操作，i（insertion）代表插入操作。
（为了简单起见，后面的Edit Distance 简写为ED）
如果每种操作的cost（成本）为1，那么ED = 5.
如果s操作的cost为2（即所谓的Levenshtein Distance），ED = 8.

2

最低0.47元/天 解锁文章

200万优质内容无限畅学
对话系统的基本概念、关键功能、演进方向和分类——如何实现对话系统所需的基本算法，包括如何构建对话管理器、自然语言理解器、自然语言生成器以及对话状态跟踪器
AI天才研究院
08-03 1854
在信息时代，大规模多样化的用户对话意味着高度个性化、多层次、持续交互的需求。然而，现有的基于规则或模板的对话系统往往存在不足，无法满足这些需求。因此，需要引入能够灵活应对变化、具备适应性学习能力的对话系统。对话系统作为一种通用计算模型，不仅可以解决现有基于规则的对话系统面临的问题，还可用于创造新的对话服务及产品，提升人机互动效率，实现更高质量的生活。本文将讨论对话系统的基本概念、关键功能、演进方向和分类。
字符串间最短距离（动态规划）
给我一个和尚的博客
02-24 1212
Minimum Edit Distance 问题对于不同的字符串，判断其相似度。
字符串之间的最短距离
jiq•钦's technical Blog
11-11 1335
#include using namespace std; //为了方便，将a和b的长度固定下来，这样就不用动态创建数组了 #define M 6 #define N 3 int dp[M][N] = {0}; /** * 问题描述： 两个字符串如果可以根据添加，删除，修改一个字符串来变成另一个字符串，则 * 说这两个字符串距离为1. 现在给出两个字符串，求出他们之间的距离。
编辑距离（Edit Distance），也叫Levenshtein距离，在生物学中用于衡量两个DNA序列的相似性，在自然语言处理等领域也有广泛应用
最新发布
BLOG域名:programb.blog.youkuaiyun.com
05-31 816
编辑距离（Edit Distance），也叫Levenshtein距离，在生物学中用于衡量两个DNA序列的相似性，在自然语言处理等领域也有广泛应用，比如判断两个单词拼写的相似程度 。它通过计算从一个字符串转换到另一个字符串所需的最少操作次数（插入、删除、替换）来衡量差异。例如，字符串“kitten”和“sitting” ，将“kitten”变为“sitting” ，可以通过以下操作：
动态规划法求字符串之间的距离
weixin_70385060的博客
02-09 298
采用动态规划法，求解将原字符串转化为目标字符串所需的最少增、删、改操作数
字符串最短距离问题
ACMLCER的博客
07-05 2325
Question： 设有字符串X，称在X的头尾及中间插入任意多个空格后构成的新字符串为X的扩展串，如字符串X为“abcbcd”，则字符串“abcb□cd”，“□a□bcbcd□”和“abcb□cd□”都是X的扩展串，这里“□”代表空格字符。 如果A1是字符串A的扩展串，B1是字符串B的扩展串，A1与B1具有相同的长度，那么定义字符串A1与B1的距离为相应位置上的字符的距离总和，而两个非空格字符的
自然语言处理（五）——单词纠错
huihuisd的博客
01-02 1679
一、概念 编辑距离（Edit Distance）：是指两个字串之间，由一个转成另一个所需的最少编辑操作次数。 精准的定义就不多说了，直接上例子来理解这个编辑距离。编辑主要有三个操作：插入、删除、修改。例如：goood变为good，只需要删除一个o，因此编辑距离是1。gd变为god。只需要插入一个o，因此编辑距离是1。gwd变为god，只要修改w为o，因此编辑距离是1。 cutoff编辑距离（...
DNA.rar_DNA_edit distance
09-21
标题中的“DNA.rar_DNA_edit distance”涉及到的是生物信息学中的一个重要概念——DNA序列的编辑距离（Edit Distance），以及可能的编程实现。编辑距离是一种衡量两个字符串相似度的方法，它定义为将一个字符串转换...
PyPI 官网下载 | types_editdistance-0.5.0-py3-none-any.whl
02-09
"PyPI 官网下载 | types_editdistance-0.5.0-py3-none-any.whl"这个标题表明我们要讨论的是一个从PyPI官方获取的特定包——types\_editdistance。 **types\_editdistance库详解** types\_editdistance库是Python的...
计算字符串的距离 --- 动态规划
starry1441的博客
05-20 899
计算字符串的距离计算字符串的距离解题思路代码实现 计算字符串的距离 【计算字符串的距离】 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。 Ex： 字符串A:abcdefg 字符串B: abcdef 通过增加或是删掉字符”g”的方式达到目的。这两种方案都需要一次操
字符的最短距离
jinghe的知识屋
07-16 190
给你一个字符串s和一个字符c，且c是s中出现过的字符。 返回一个整数数组answer，其中answer.length == s.length且answer[i]是s中从下标i到离它最近的字符c的距离。 两个下标 i 和 j 之间的距离为abs(i - j) 输入：s = “loveleetcode”, c = “e” 输出：[3,2,1,0,1,0,0,1,2,2,1,0] 解释：字符 ‘e’ 出现在下标 3、5、6 和 11 处（下标从 0 开始计数）。 距下标 0 最近的 ‘e’ 出现在下标 3 ，所
LeetCode每日一题(4.19)
kemomimi的博客
04-19 297
821. 字符的最短距离 给你一个字符串 s 和一个字符 c ，且 c 是 s 中出现过的字符。 返回一个整数数组 answer ，其中 answer.length == s.length 且 answer[i] 是 s 中从下标 i 到离它 最近 的字符 c 的 距离 。 两个下标 i 和 j 之间的 距离 为 abs(i - j) ，其中 abs 是绝对值函数。 示例 1： 输入：s = "loveleetcode", c = "e" 输出：[3,2,1,0,1,0,0,1,2,2,1,0] 解释：字符
数组中两个字符串的最短距离---一题多解（贪心/二分）
weixin_73567058的博客
04-17 663
方法：贪心 / 二分。贪心： 要找出字符串数组中指定两个字符串的最小距离，即找出指定字符串对应下标之差的最小值 思考：如果是直接暴力求解，需要两层for循环，依次判断是否是指定字符串，如果是，则找出当前指定字符串的最小距离；时间复杂度O（N^2），题目给的数据范围是10^5，是过不了的； 我们基于暴力求解的思路拓展，暴力解法中，我们在找每一个指定字符串的最小距离时，都是针对该字符串位置逐一枚举，那如果优化一下找指定字符串最小距离的方法呢？ 在遍历数组的过程中，用两个变量记录str1、str2的最近下标
Edit Distance
向着曙光前进的博客
04-26 1004
设A 和B 是2 个字符串。要用最少的字符操作将字符串A 转换为字符串B。这里所说的字符操作包括 (1)删除一个字符； (2)插入一个字符； (3)将一个字符改为另一个字符。 将字符串A变换为字符串B 所用的最少字符操作数称为字符串A到B 的编辑距离，记为d(A,B)。试设计一个有效算法，对任给的2 个字符串A和B，计算出它们的编辑距离d(A,B)。输入第一行是字符串A，文件的第二行是字符串B。字...
821. 字符的最短距离
码奴生来就只知道前进
08-11 390
给定一个字符串 S 和一个字符 C。返回一个代表字符串 S 中每个字符到字符串 S 中的字符 C 的最短距离的数组。 示例 1: 输入: S = “loveleetcode”, C = ‘e’ 输出: [3, 2, 1, 0, 1, 0, 0, 1, 2, 2, 1, 0] 说明: 字符串 S 的长度范围为 [1, 10000]。 C 是一个单字符，且保证是字符串 S 里的字符。 S...
tree distance edit
12-28
### 关于树结构间的编辑距离计算 #### 定义与概念 树编辑距离（Tree Edit Distance, TED）衡量两棵树之间差异的程度。该度量定义为将一棵树转换成另一棵树所需的最少操作次数，这些基本操作通常包括节点的插入、删除以及替换。 #### 计算方法概述 为了有效地计算TED，常用的方法是动态规划。具体来说： - **初始化阶段**：创建一个二维矩阵D，其中`D[i][j]`表示由源树根到第i个孩子构成的子树和目标树相应部分至第j个孩子的最小代价。 - **递推关系构建**：对于任意一对节点u和v，在考虑它们各自的孩子列表时应用如下规则来更新矩阵条目： - 如果两个节点相同，则不需要任何改变； - 否则，尝试通过三种方式之一减少两者间差距——即移除其中一个节点、添加新节点或更改现有节点标签，并选取成本最低者作为最终结果； - **边界条件设定**：当处理到达叶子结点的情况时，如果一方还有剩余未匹配的部分，则按照实际需求执行必要的增删动作直至完全同步为止。 #### 实现示例 下面给出Python语言下的简单实现版本[^1]: ```python def tree_edit_distance(tree1, tree2): m = len(tree1) n = len(tree2) # Initialize cost matrix dist_matrix = [[0 for _ in range(n + 1)] for __ in range(m + 1)] # Fill the first row and column for i in range(1, m + 1): dist_matrix[i][0] = i for j in range(1, n + 1): dist_matrix[0][j] = j # Compute costs using dynamic programming approach for i in range(1, m + 1): for j in range(1, n + 1): if tree1[i-1].label == tree2[j-1].label: substitution_cost = 0 else: substitution_cost = 1 dist_matrix[i][j] = min( dist_matrix[i-1][j] + 1, # Deletion from t1 dist_matrix[i][j-1] + 1, # Insertion into t1 dist_matrix[i-1][j-1] + substitution_cost # Substitution ) return dist_matrix[m][n] class TreeNode: def __init__(self, label=None, children=None): self.label = label self.children = children if children is not None else [] # Example usage if __name__ == "__main__": root_a = TreeNode('A', [ TreeNode('B'), TreeNode('C') ]) root_b = TreeNode('A', [ TreeNode('B'), TreeNode('D') ]) print(f"The Tree Edit Distance between two trees is {tree_edit_distance([root_a], [root_b])}") ``` 此代码片段展示了如何利用动态规划技术求解给定二叉树之间的最短路径长度。需要注意的是这里简化了输入形式以便理解逻辑流程，真实应用场景下还需要进一步完善数据结构设计以适应更复杂的多分支情况。
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值