字符串编辑距离(Levenshtein距离)算法
基本介绍
Levenshtein距离是一种计算两个字符串间的差异程度的字符串度量(string metric)。我们可以认为Levenshtein距离就是从一个字符串修改到另一个字符串时,其中编辑单个字符(比如修改、插入、删除)所需要的最少次数。俄罗斯科学家Vladimir Levenshtein于1965年提出了这一概念。
简单例子
从字符串“kitten”修改为字符串“sitting”只需3次单字符编辑操作,如下:
- sitten ( k -> s )
- sittin ( e -> i )
- sitting ( _ -> g )
因此“kitten”和“sitting”的Levenshtein距离为3。
实现思想
如何编程实现这一算法呢?许多人试图用矩阵来解释,但实际上矩阵是最终可视化的工具,配合理解“为什么”比较方便,但从矩阵却比较难想到“怎么做”。
我们试图找到“从字符串$A$修改到字符串$B$”这一问题的子解结构。当然反过来说“从字符串$B$修改到字符串$A$”和它是同一个问题,因为从$A$中删掉一个字符来匹配$B$,就相当于在$B$中插入一个字符来匹配$A$,这两个操作是可以互相转化的。
假设字符序列$A[1\ldots i]$、$B[1\ldots j]$分别是字符串$A$、$B$的前$i$、$j$个字符构成的子串,我们得到一个子问题是“从字符串$A[1\ldots i]$修改到字符串$B[1\ldots j]$”:$$\left[\begin{matrix}\begin{aligned}&A:&&A[1]&&A[2]&&\cdots&&A[i-2]&&A[i-1]&&A[i]\\\\&B:&&B[1]&&B[2]&&\cdots&&B[j-2]&&B[j-1]&&B[j]\end{aligned}\end{matrix}\right]$$
① 插入操作:
-
- 当将$A[1\ldots i]$修改成$B[1\ldots j-1]$需要操作数为$op_1$,那么我插入一个字符$A[i']=B[j]$到$A[i]$和$A[i+1]$之间,用以匹配$B[j]$,于是$A[1\ldots i]$修改到$B[1\ldots j]$所需操作数为$op_1+1$。$$\left[\begin{matrix}\begin{aligned}&&\cdots&&\color{Red}{A[i-2]}&&\color{Red}{A[i-1]}&&\mathbf{\color{Red}{A[i]}}&&\mathbf{\color{Blue}{A[i']}}&&\\\\&&\cdots&&\color{Red}{B[j-2]}&&\mathbf{\color{Red}{B[j-1]}}&&\mathbf{\color{Blue}{B[j]}}&&\phi&&\end{aligned}\end{matrix}\right]$$
② 删除操作:
-
- 当将$A[1\ldots i-1]$修改成$B[1\ldots j]$需要操作数为$op_2$,那么我删掉字符$A[i]$也可以$op_2+1$的操作数使两个子字符串匹配:$$\left[\begin{matrix}\begin{aligned}&&\cdots&&\color{Red}{A[i-2]}&&\mathbf{\color{Red}{A[i-1]}}&&\mathbf{\color{Blue}{\phi}}&&\\\\&&\cdots&&\color{Red}{B[j-2]}&&\color{Red}{B[j-1]}&&\mathbf{\color{Red}{B[j]}}&&\end{aligned}\end{matrix}\right]$$
③ 修改操作:
- 如果$A[1\ldots i-1]$修改成$B[1\ldots j-1]$所需操作数为$op_3$的话,我将字符$A[i]$替换成$A[i']=B[j]$,就可以$op_3+1$的操作数完成:$$\left[\begin{matrix}\begin{aligned}&&\cdots&&\color{Red}{A[i-2]}&&\mathbf{\color{Red}{A[i-1]}}&&\mathbf{\color{Blue}{A[i']}}&&\\\\&&\cdots&&\color{Red}{B[j-2]}&&\mathbf{\color{Red}{B[j-1]}}&&\mathbf{\color{Blue}{B[j]}}&&\end{aligned}\end{matrix}\right]$$
- 但如果此时字符$A[i]==B[j]$的话,则不需要进行修改操作,操作数仍为$op_3$。
综上所述,我们将字符串$A[1\ldots i]$修改成字符串$B[1\ldots j]$所需操作为$min\{op_1+1,\ op_2+1,\ op_3+1_{(a_i\neq b_i)}\}$,其中$1_{(a_i\neq b_i)}$代表当$a_i\neq b_i$时取值$1$,否则取值为$0$。
数学定义
数学上,我们定义两个字符串$A$和$B$间的Levenshtein距离为$lev_{A,\ B}(a,\ b)$,其中$a$、$b$分别为字符串$A$、$B$的长度,而$$lev_{A,\ B}(i,\ j)=\left\{\begin{matrix}\begin{aligned}&i&&,\ j=0\\&j&&,\ i=0\\&min\left\{\begin{matrix}lev_{a,\ b}(i,\ j-1)+1\\lev_{a,\ b}(i-1,\ j)+1\\lev_{a,\ b}(i-1,\ j-1)+1_{(a_i\neq b_i)}\end{matrix}\right.&&,\ otherwise\end{aligned}\end{matrix}\right.$$
更多请参考 Wikipedia - Levenshtein_distance。
C++代码
有了状态转移方程,我们就可以愉快地DP了,时间复杂度$O(MN)$,空间复杂度$O(MN)$。
1 #include <stdio.h> 2 #include <string.h> 3 #include <algorithm> 4 using std::min; 5 int lena, lenb; 6 char a[1010], b[1010]; 7 void read() { 8 scanf("%s%s", a, b); 9 lena = strlen(a); 10 lenb = strlen(b); 11 } 12 13 int dp[1010][1010]; 14 void work() { 15 for(int i=1; i<=lena; i++) dp[i][0] = i; 16 for(int j=1; j<=lenb; j++) dp[0][j] = j; 17 for(int i=1; i<=lena; i++) 18 for(int j=1; j<=lenb; j++) 19 if(a[i-1]==b[j-1]) 20 dp[i][j] = dp[i-1][j-1]; 21 else 22 dp[i][j] = min(dp[i-1][j-1], min(dp[i][j-1], dp[i-1][j]))+1; 23 printf("%d\n", dp[lena][lenb]); 24 } 25 26 int main() { 27 read(); 28 work(); 29 return 0; 30 }
几个小优化
1. 如果满足$A[i]==B[j]$(下标从$1$开始),实际上是可以直接取$lev(i,\ j)=lev(i-1,\ j-1)$的。因为此时字符相同是不需要任何编辑操作的。这一优化也可以从上文转移方程中构造不等关系得出。
2. 如果使用滚动数组,则空间复杂度可以降到$O(2*max\{M,\ N\})$。但也可以通过保存$lev(i-1,\ j-1)$来把空间复杂度降到$O(max\{M,\ N\})$,如下:
1 int dp[1010]; 2 void work() { 3 for(int j=1; j<=lenb; j++) dp[j] = j; 4 int t1, t2; 5 for(int i=1; i<=lena; i++) { 6 t1 = dp[0]++; 7 for(int j=1; j<=lenb; j++) { 8 t2 = dp[j]; 9 if(a[i-1]==b[j-1]) 10 dp[j] = t1; 11 else 12 dp[j] = min(t1, min(dp[j-1], dp[j]))+1; 13 t1 = t2; 14 } 15 } 16 printf("%d\n", dp[lenb]); 17 }
以上即为Levenshtein距离算法的基本介绍,如果您喜欢,请点个推荐吧~如果您有宝贵意见,欢迎在下方评论区提出哦~
本文基于知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议发布,欢迎引用、转载或演绎,但是必须保留本文的署名BlackStorm以及本文链接http://www.cnblogs.com/BlackStorm/p/5400809.html,且未经许可不能用于商业目的。如有疑问或授权协商请与我联系。