字符串相似度匹配算法【转载】

最新推荐文章于 2023-09-18 14:41:14 发布
原创 最新推荐文章于 2023-09-18 14:41:14 发布 · 598 阅读 · 2 ·
CC 4.0 BY-SA版权
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。

本文介绍了计算两个字符串相似度的方法，包括Levenshtein距离（编辑距离）和最长公共子序列（LCS）长度的计算，并结合这两种方法来确定最终的字符串相似度。

原文链接：http://www.cnblogs.com/grenet/archive/2010/06/04/1751147.html

 

文章大致内容：

1，计算两个字符串的Levenshtein距离。

      Levenshtein距离：又叫做编辑距离，指两个字符串A和B中，A到B（或者B到A）的转变至少需要编辑的次         数。编辑操作包括：添加、删除、替换。

2，计算两个字符串的LCS（Longest Common Subsequence）长度

3，根据1,2，来确定最后的相似度。

 

some_321
关注
字符串相似度计算：Jaro-Winkler算法实现
BugHunterX的博客
09-07 1271
算法的主要思想是，对于两个字符串的每一个字符，判断其是否匹配，并计算匹配字符的数量、字符顺序相同的数量以及字符距离较小的数量。Jaro-Winkler算法是一种常用的字符串相似度计算方法，它基于编辑距离的概念，用于衡量两个字符串之间的相似程度。遍历两个字符串的每一个字符，如果字符在另一个字符串中的相同位置之前或之后（不超过max(len(s1), len(s2))/2-1）的位置存在，则认为是字符距离较小。遍历两个字符串的每一个字符，如果字符在另一个字符串中的相同位置之前存在，则认为是字符顺序相同。
字符串相似度匹配算法python_Python – 处理字符串相似度
weixin_39717865的博客
12-06 4354
背景：通过爬虫获取了大量的商品信息，由于爬到的商品类别是商家自定义的，现在要统一管理，把商家类别映射成自定义类别思路：匹配商家类别和自定义类别中每个名称的相似度，相似度大于某个阀值的，最大的自定义类别字符串则为映射目标一、Levenshtein使用python的Levenshtein来处理相似度1、安装pip install python-LevenshteinsourceCode：https:/...
字符串相似度算法介绍(整理)
热门推荐
dongle2001的专栏
01-02 2万+
最近在做这方面的应用，把我找到的资料贴出来，有需要的人可以参考参考。1．编辑距离（Levenshtein Distance）编辑距离就是用来计算从原串（s）转换到目标串(t)所需要的最少的插入，删除和替换的数目，在NLP中应用比较广泛，如一些评测方法中就用到了（wer,mWer等），同时也常用来计算你对原文本所作的改动数。编辑距离的算法是首先由俄国科学家Levenshtein提出的，故又叫Leve
字符串识别，相似度匹配
11-29
对输入的文本信息与库里面的字符进行相似度匹配，得出最接近的结果
字符串相似度匹配算法
weixin_30701575的博客
11-10 599
public static float 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]; //...
匹配字符串相似度算法(各个语言版本)
欧神的博客
07-20 4248
原文链接:https://blog.youkuaiyun.com/baidu_23086307/article/details/53020566   C++版 #include <iostream> #include <vector> #include <string> using namespace std; //算法 int ldistance(const s...
java字符串相似度算法
09-03
Java字符串相似度算法是用于衡量两个字符串之间相似程度的一种计算方法。在文本处理、信息检索、数据清洗等领域中，这种算法具有重要的应用价值。这里主要介绍了一种基于Levenshtein距离的Java实现。 Levenshtein...
字符串相似度比较算法
08-18
在计算机科学领域，字符串相似度比较算法是一种用于评估两个字符串之间相似程度的技术。这些算法广泛应用于文本处理、信息检索、生物信息学等多个领域。当我们要判断两个字符串是否含有相同或相近的信息时，这类算法...
精选资源
delphi计算两个字符串相似度源码 Levenshtein算法版
04-01
《使用Delphi实现Levenshtein算法：计算字符串相似度》 在信息技术领域，字符串处理是常见的任务之一，其中计算两个字符串的相似度是尤为重要的一个环节。Levenshtein算法，也称为编辑距离算法，就是用于衡量两个...
字符串相似度算法
留白
09-18 2044
Jaccard Similarity Coefficient、JaroWinkler 、Cosine Similarity、Levenshtein 距离编辑算法案例。
DELPHI 计算两个字符串相似度 LCS算法（附源代码）
11-30
比较两个字符串的相似度，利用LCS算法计算出两个字符串的最长公序列，根据最长公序列得出相似度，例如： 字符串1:1234 字符串2:51234，则他们的相似度为：4*2/（4+5）。
Delphi计算字符串的相似度
03-21
Delphi计算或比较两组字符串的相似程度 对字符串进行挨个读取并进行比对，取得相似度
相似字符串匹配过滤算法研究.
04-15
相似字符串匹配过滤算法研究.
DELPHI Levenshtein算法 字符串相似度计算（附源码）
11-30
比较两个字符串的相似度，利用Levenshein算法计算出两个字符串的最小编辑距离，根据最小编辑距离得出相似度，例如： 字符串1:1234 字符串2:51234，则他们的相似度为：4/5。
字符串相似度匹配算法python_算法字符串相似度得分/哈希
weixin_39724748的博客
12-06 330
有趣的问题。我在这一领域的经验有限，但由于Levenshtein距离满足三角形不等式，我认为必须有一种方法来计算到原点的某种绝对距离，以便在不与整个数据库中的所有条目进行直接比较的情况下找到彼此邻近的字符串。在第26页，他讨论了基于kd树和其他树的相似性度量，但得出结论：However, general metric spaces do not provide the geometry requi...
比较快速的字符串相似度匹配算法
最新发布
06-21
### 高效字符串相似度匹配算法比较 在处理字符串相似度匹配问题时，选择高效的算法至关重要。以下是对几种常见字符串相似度匹配算法的详细分析和比较。 #### 1. 莱文斯坦距离（Levenshtein Distance） 莱文斯坦距离是一种经典的字符串相似度算法，用于计算两个字符串之间的最小编辑距离[^3]。该算法的时间复杂度为 O(n²)，适用于需要精确匹配的场景，如拼写纠错或 DNA 序列分析。 ```python def levenshtein_distance(a, b): m, n = len(a), len(b) dp = [[0] * (n + 1) for _ in range(m + 1)] for i in range(m + 1): dp[i][0] = i for j in range(n + 1): dp[0][j] = j for i in range(1, m + 1): for j in range(1, n + 1): if a[i - 1] == b[j - 1]: cost = 0 else: cost = 1 dp[i][j] = min(dp[i - 1][j] + 1, # 删除 dp[i][j - 1] + 1, # 插入 dp[i - 1][j - 1] + cost) # 替换 return dp[m][n] ``` #### 2. Jaro-Winkler 相似度 Jaro-Winkler 算法是 Jaro 相似度的改进版本，特别适合用于人名匹配或短文本的相似度计算[^1]。它通过增加前缀权重优化了匹配效率，时间复杂度为 O(n)。 ```python from difflib import SequenceMatcher def jaro_winkler_similarity(a, b): matcher = SequenceMatcher(None, a, b) return matcher.ratio() ``` #### 3. 余弦相似度 余弦相似度通常用于长文档或搜索引擎中的相似度计算，基于词频统计来衡量两个文本的相似性[^1]。其时间复杂度为 O(n)，适合处理大规模数据集。 ```python from sklearn.feature_extraction.text import CountVectorizer from sklearn.metrics.pairwise import cosine_similarity def cosine_similarity_measure(a, b): vectorizer = CountVectorizer().fit_transform([a, b]) vectors = vectorizer.toarray() return cosine_similarity(vectors)[0][1] ``` #### 4. Jaccard 相似度 Jaccard 相似度通过计算两个集合的交集与并集的比值来衡量相似性，适用于集合相似性分析或去重操作[^1]。其时间复杂度为 O(n)，实现简单且高效。 ```python def jaccard_similarity(a, b): set_a = set(a) set_b = set(b) intersection = len(set_a.intersection(set_b)) union = len(set_a.union(set_b)) return intersection / union if union != 0 else 0 ``` #### 5. N-gram 相似度 N-gram 相似度通过将字符串拆分为长度为 N 的子串，并计算子串的交集与并集的比值来衡量相似性[^1]。该算法的时间复杂度为 O(n)，灵活性高，适合模糊搜索或推荐系统。 ```python def n_gram_similarity(a, b, n=2): def generate_n_grams(text, n): return [text[i:i+n] for i in range(len(text)-n+1)] grams_a = generate_n_grams(a, n) grams_b = generate_n_grams(b, n) intersection = len(set(grams_a).intersection(set(grams_b))) union = len(set(grams_a).union(set(grams_b))) return intersection / union if union != 0 else 0 ``` #### 算法对比与选型建议 | 算法名称 | 适用场景 | 时间复杂度 | 特点 | |------------------|-------------------------|------------|--------------------------| | 莱文斯坦距离 | 拼写纠错、DNA 分析 | O(n²) | 精确但较慢 | | Jaro-Winkler | 人名匹配、短文本 | O(n) | 前缀权重优化 | | 余弦相似度 | 长文档、搜索引擎 | O(n) | 基于词频统计 | | Jaccard 相似度 | 集合相似性、去重 | O(n) | 简单快速 | | N-gram 相似度 | 模糊搜索、推荐系统 | O(n) | 可调节粒度 | 根据具体需求选择合适的算法可以显著提高性能和准确性。
评论
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