编辑距离，也称为编辑距离，是评估两个字符串之间相似性的基本指标。它计算将一个字符串转换为另一字符串所需的最少操作数。这些操作包括：
这个概念是许多现代应用的核心，例如拼写检查、模糊搜索和 DNA 序列比较。
长度分别为 ( n ) 和 ( m ) 的两个字符串 ( A ) 和 ( B ) 之间的编辑距离可以使用动态规划方法来计算。我们定义一个大小为 ((n 1) 乘以 (m 1)) 的矩阵 ( D )，其中每个条目 ( D[i][j] ) 表示将 ( A ) 的前 ( i ) 个字符转换为的最小成本( B ) 的前 ( j ) 个字符。
递推关系如下：
这是一个计算 Levenshtein 距离的简单 Python 实现：
def levenshtein_distance(a, b):
n, m = len(a), len(b)
dp = [[0] * (m + 1) for _ in range(n + 1)]
for i in range(n + 1):
for j in range(m + 1):
if i == 0:
dp[i][j] = j
elif j == 0:
dp[i][j] = i
elif a[i - 1] == b[j - 1]:
dp[i][j] = dp[i - 1][j - 1]
else:
dp[i][j] = 1 + min(dp[i - 1][j], dp[i][j - 1], dp[i - 1][j - 1])
return dp[n][m]
# Example usage
print(levenshtein_distance("kitten", "sitting")) # Output: 3
拼写检查器使用编辑距离来建议拼写错误的更正。例如，如果您输入 helo，它可能会建议您好或英雄。
在搜索引擎中，即使用户出现拼写错误或拼写错误，Levenshtein 也能帮助返回结果。
在生物信息学中，这个距离有助于测量两个 DNA 序列之间的相似性，其中每个操作代表一个潜在的突变。
检测身份欺诈的系统可以将用户输入与现有记录进行比较，以解决微小的文本差异。
经典算法使用完整矩阵，这可能会占用大量内存。幸运的是，它可以优化为仅使用两行内存，因为每个 ( D[i][j] ) 仅取决于 ( D[i-1][j] ), ( D[i][j-1] ), 和 ( D[i-1][j-1] ).
def optimized_levenshtein(a, b):
n, m = len(a), len(b)
prev = list(range(m + 1))
curr = [0] * (m + 1)
for i in range(1, n + 1):
curr[0] = i
for j in range(1, m + 1):
insert = curr[j - 1] + 1
delete = prev[j] + 1
substitute = prev[j - 1] + (0 if a[i - 1] == b[j - 1] else 1)
curr[j] = min(insert, delete, substitute)
prev, curr = curr, prev
return prev[m]
# Example usage
print(optimized_levenshtein("kitten", "sitting")) # Output: 3
编辑距离是一个强大的、多功能的工具，广泛应用于各个领域。虽然易于掌握，但其优化和复杂的应用凸显了它在现代系统中的价值。
为了进一步探索，请考虑诸如 Damerau-Levenshtein 距离之类的变体，它可以解释换位。您现在已经准备好将此工具集成到您的项目中，或以您的深刻理解给您的同行留下深刻的印象！
以上是编辑距离：测量文本相似度的终极指南的详细内容。更多信息请关注PHP中文网其他相关文章！
