前提
已经很久没深入研究过算法相关的东西,毕竟日常少用,就算死记硬背也是没有实施场景导致容易淡忘。最近在做一个脱敏数据和明文数据匹配的需求的时候,用到了一个算法叫Levenshtein distance Algorithm
,本文对此算法原理做简单的分析,并且用此算法解决几个常见的场景。
什么是Levenshtein distance
Levenshtein distance
,一般称为编辑距离(Edit distance
,Levenshtein distance
只是编辑距离的其中一种)或者莱文斯坦距离,算法概念是俄罗斯科学家弗拉基米尔·莱文斯坦(Levenshtein · Vladimir I)在1965年提出。此算法的概念很简单:Levenshtein distance
指两个字串之间,由一个转换成另一个所需的最少编辑操作次数,允许的编辑操作包括:
下文开始简称
Levenshtein distance
为LD
Levenshtein distance公式定义
这个数学公式最终得出的数值就是LD
的值。举个例子:
将kitten
这个单词转成sitting
的LD
值为3:
- kitten → sitten (k→s)
- sitten → sittin (e→i)
- sittin → sitting (insert a 'g')
Levenshtein distance动态规划方法
可以使用动态规划的方法去测量LD
的值,步骤大致如下:
- 初始化一个
LD
矩阵(M,N)
,M
和N
分别是两个输入字符串的长度。 - 矩阵可以从左上角到右下角进行填充,每个水平或垂直跳转分别对应于一个插入或一个删除。
- 通过定义每个操作的成本为1,如果两个字符串不匹配,则对角跳转的代价为1,否则为0,简单来说就是:
- 如果
[i][j]
位置的两个字符串相等,则从[i][j]
位置左加1,上加1,左上加0,然后从这三个数中取出最小的值填充到[i][j]
。 - 如果
[i][j]
位置的两个字符串不 相等,则从[i][j]
位置左、左上、上三个位置的值中取最小值,这个最小值加1(或者说这三个值都加1然后取最小值),然后填充到[i][j]
。
- 如果
- 按照上面规则
LD
矩阵(M,N)
填充完毕后,最终矩阵右下角的数字就是两个字符串的LD
值。
这里不打算证明上面动态规划的结论(也就是默认这个动态规划的结果是正确的),直接举两个例子说明这个问题:
- 例子一(两个等长字符串):
son
和sun
。 - 例子二(两个非等长字符串):
doge
和dog
。
例子一:
初始化LD
矩阵(3,3)
:
s |
o |
n |
||
---|---|---|---|---|
0 |
1 |
2 |
3 |
|
s |
1 |
|||
u |
2 |
|||
n |
3 |
计算[0][0]
的位置的值,因为's' = 's'
,所以[0][0]的值 = min(1+1,1+1,0+0) = 0
。
s |
o |
n |
||
---|---|---|---|---|
0 |
1 |
2 |
3 |
|
s |
1 |
|||
u |
2 |
|||
n |
3 |
按照这个规则计算其他位置的值,填充完毕后的LD
矩阵`如下:
s |
o |
n |
||
---|---|---|---|---|
0 |
1 |
2 |
3 |
|
s |
1 |
0 | 1 | 2 |
u |
2 |
1 | 1 | 2 |
n |
3 |
2 | 2 |
那么son
和sun
的LD
值为
例子二:
初始化LD
矩阵(4,3)
:
d |
o |
g |
||
---|---|---|---|---|
0 |
1 |
2 |
3 |
|
d |
1 |
|||
o |
2 |
|||
g |
3 |
|||
e |
4 |
接着填充矩阵:
d |
o |
g |
||
---|---|---|---|---|
0 |
1 |
2 |
3 |
|
d |
1 |
0 |
1 |
2 |
o |
2 |
1 |
0 |
1 |
g |
3 |
2 |
1 |
0 |
e |
4 |
3 |
2 |
1 |
那么doge
和dog
的LD
值为
Levenshtein distance算法实现
依据前面提到的动态规划方法,可以相对简单地实现LD
的算法,这里选用Java
语言进行实现:
public enum Levenshteindistance {
// 单例
X;
/**
* 计算Levenshtein distance
*/
public int ld(String source,String target) {
Optional.ofNullable(source).orElseThrow(() -> new IllegalArgumentException("source"));
Optional.ofNullable(target).orElseThrow(() -> new IllegalArgumentException("target"));
int sl = source.length();
int tl = target.length();
// 定义矩阵,行列都要加1
int[][] matrix = new int[sl + 1][tl + 1];
// 首行首列赋值
for (int k = 0; k <= sl; k++) {
matrix[k][0] = k;
}
for (int k = 0; k <= tl; k++) {
matrix[0][k] = k;
}
// 定义临时的编辑消耗
int cost;
for (int i = 1; i <= sl; i++) {
for (int j = 1; j <= tl; j++) {
if (source.charat(i - 1) == target.charat(j - 1)) {
cost = 0;
} else {
cost = 1;
}
matrix[i][j] = min(
// 左上
matrix[i - 1][j - 1] + cost,// 右上
matrix[i][j - 1] + 1,// 左边
matrix[i - 1][j] + 1
);
}
}
return matrix[sl][tl];
}
private int min(int x,int y,int z) {
return Math.min(x,Math.min(y,z));
}
/**
* 计算匹配度match rate
*/
public BigDecimal mr(String source,String target) {
int ld = ld(source,target);
// 1 - ld / max(len1,len2)
return BigDecimal.ONE.subtract(BigDecimal.valueOf(ld)
.divide(BigDecimal.valueOf(Math.max(source.length(),target.length())),2,BigDecimal.ROUND_HALF_UP));
}
}
算法的复杂度为O(N * M)
,其中N
和M
分别是两个输入字符串的长度。这里的算法实现完全参照前面的动态规划方法推论过程,实际上不一定需要定义二维数组(矩阵),使用两个一维的数组即可,可以参看一下java-string-similarity中Levenshtein算法的实现。以前面的例子运行一下:
public static void main(String[] args) throws Exception {
String s = "doge";
String t = "dog";
System.out.println("Levenshtein distance:" +Levenshteindistance.X.ld(s,t));
System.out.println("Match Rate:" +Levenshteindistance.X.mr(s,t));
}
// 输出
Levenshtein distance:1
Match Rate:0.75
Levenshtein distance算法一些使用场景
LD
算法主要的应用场景有:
-
DNA
分析。 - 拼写检查。
- 语音识别。
- 抄袭侦测。
- 等等......
其实主要就是"字符串"匹配场景,这里基于实际遇到的场景举例。
脱敏数据和明文数据匹配
最近有场景做脱敏数据和明文数据匹配,有时候第三方导出的文件是脱敏文件,格式如下:
姓名 | 手机号 | 身份证 |
---|---|---|
张*狗 |
123****8910 |
123456****8765**** |
己方有明文数据如下:
姓名 | 手机号 | 身份证 |
---|---|---|
张大狗 |
12345678910 |
123456789987654321 |
要把两份数据进行匹配,得出上面两条数据对应的是同一个人的数据,原理就是:当且仅当两条数据中手机号的LD
值为4,身份证的LD
值为8,姓名的LD
值为1,则两条数据完全匹配。
使用前面写过的算法:
public static void main(String[] args) throws Exception {
String sourceName = "张*狗";
String sourcePhone = "123****8910";
String sourceIdentityNo = "123456****8765****";
String targetName = "张大狗";
String targetPhone = "12345678910";
String targetIdentityNo = "123456789987654321";
boolean match = Levenshteindistance.X.ld(sourceName,targetName) == 1 &&
Levenshteindistance.X.ld(sourcePhone,targetPhone) == 4 &&
Levenshteindistance.X.ld(sourceIdentityNo,targetIdentityNo) == 8;
System.out.println("是否匹配:" + match);
targetName = "张大doge";
match = Levenshteindistance.X.ld(sourceName,targetIdentityNo) == 8;
System.out.println("是否匹配:" + match);
}
// 输出结果
是否匹配:true
是否匹配:false
拼写检查
这个场景看起来比较贴近生活,也就是词典应用的拼写提示,例如输入了throwab
,就能提示出throwable
,笔者认为一个简单实现就是遍历t
开头的单词库,寻找匹配度比较高(LD
值比较小)的单词进行提示(实际上为了满足效率有可能并不是这样实现的)。举个例子:
public static void main(String[] args) throws Exception {
String target = "throwab";
// 模拟一个单词库
List<String> words = Lists.newArrayList();
words.add("throwable");
words.add("their");
words.add("the");
Map<String,BigDecimal> result = Maps.newHashMap();
words.forEach(x -> result.put(x,Levenshteindistance.X.mr(x,target)));
System.out.println("输入值为:" + target);
result.forEach((k,v) -> System.out.println(String.format("候选值:%s,匹配度:%s",k,v)));
}
// 输出结果
输入值为:throwab
候选值:the,匹配度:0.29
候选值:throwable,匹配度:0.78
候选值:their,匹配度:0.29
这样子就可以基于输入的throwab
选取匹配度最高的throwable
。
抄袭侦测
抄袭侦测的本质也是字符串的匹配,可以简单认为匹配度高于某一个阈值就是属于抄袭。例如《我是一只小小鸟》里面的一句歌词是:
我是一只小小小小鸟,想要飞呀飞却飞也飞不高
假设笔者创作了一句歌词:
我是一条小小小小狗,想要睡呀睡却睡也睡不够
我们可以尝试找出两句词的匹配度:
System.out.println(Levenshteindistance.X.mr("我是一只小小小小鸟,想要飞呀飞却飞也飞不高","我是一条小小小小狗,想要睡呀睡却睡也睡不够"));
// 输出如下
0.67
可以认为笔者创作的歌词是完全抄袭的。当然,对于大文本的抄袭侦测(如论文查重等等)需要考虑执行效率的问题,解决的思路应该是类似的,但是需要考虑如何分词、大小写等等各种的问题。
小结
本文仅仅对Levenshtein distance
做了一点皮毛上的分析并且列举了一些简单的场景,其实此算法在日常生活中是十分常见的,笔者猜测词典应用的单词拼写检查、论文查重(抄袭判别)都可能和此算法相关。算法虽然学习曲线比较陡峭,但是它确实是一把解决问题的利刃。
参考资料:
技术公众号(《Throwable文摘》),不定期推送笔者原创技术文章(绝不抄袭或者转载):
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。