码迷,mamicode.com
首页 > 其他好文 > 详细

基于编辑距离来判断词语相似度方法(scala版)

时间:2017-12-12 21:45:56      阅读:203      评论:0      收藏:0      [点我收藏+]

标签:logs   block   算法   初始化   矩阵   tab   比较   array   mat   

词语相似性比较,最容易想到的就是编辑距离,也叫做Levenshtein Distance算法。在Python中是有现成的模块可以帮助做这个的,不过代码也很简单,我这边就用scala实现了一版。

编辑距离

编辑距离是指一个字符串改编成另一个字符串的最短距离,它描述了两个字符串的相近程度。比如:

son -> sun ,只需要把o改成u即可,编辑距离为1
xing -> long,需要把x改成l,i改成o,编辑距离为2
o->long,需要在前面加上l,在后面加上ng,编辑距离为3

因此所有修改,移动,删除,新增都算是一次编辑操作。

算法很简单:

初始化

- x i n g
- 0 1 2 3
l 1 0 0 0
o 2 0 0 0
n 3 0 0 0
g 4 0 0 0

挨个计算值

某个位置的值,等于它

  • 左边的值+1,
  • 右边的值+1,
  • 左上角的值不同时加1;相同时加0

上面三个数的最小值

- x i n g
- 0 1 2 3
l 1 1 0 0
o 2 0 0 0
n 3 0 0 0
g 4 0 0 0

一直计算到右下角的值

- x i n g
- 0 1 2 3
l 1 1 2 3
o 2 2 2 3
n 3 3 3 2
g 4 4 4 3

Breeze

在python中有numpy可以做矩阵的各种操作,在scala中可以使用breeze,spark mllib底层也是基于它实现的。

文档参考:
https://github.com/scalanlp/breeze/wiki/Quickstart

常用的操作有:

创建为0的的矩阵:
DenseMatrix.zeros[Int](s1_length, s2_length)

breeze另一个很好用的地方就是默认支持修改,在scala中很多集合默认都是不可变的,比如Array,很烦~

算法实现

def editDist(s1:String, s2:String):Int ={
   val s1_length = s1.length+1
   val s2_length = s2.length+1

   val matrix = DenseMatrix.zeros[Int](s1_length, s2_length)
   for(i <- 1.until(s1_length)){
     matrix(i,0) = matrix(i-1, 0) + 1
   }

   for(j <- 1.until(s2_length)){
     matrix(0,j) = matrix(0, j-1) + 1
   }

   var cost = 0
   for(j <- 1.until(s2_length)){
     for(i <- 1.until(s1_length)){
       if(s1.charAt(i-1)==s2.charAt(j-1)){
         cost = 0
       }else{
         cost = 1
       }
       matrix(i,j)=math.min(math.min(matrix(i-1,j)+1,matrix(i,j-1)+1),matrix(i-1,j-1)+cost)
     }
   }
   matrix(s1_length-1,s2_length-1)
}

应用的场景

这种词语之间的编辑距离主要应用在两个文本判断是否相近,比如我输入一个词,想要查找到数据库里面跟他最匹配的词。比如阿迪想要匹配到阿迪达斯,或者结账买单匹配到节帐埋单等等。不过在耐克nikenike耐克这种场景下就不适合了...

后续会介绍n-gram来计算相似性的方法,比较适合这种场景。

基于编辑距离来判断词语相似度方法(scala版)

标签:logs   block   算法   初始化   矩阵   tab   比较   array   mat   

原文地址:http://www.cnblogs.com/xing901022/p/8028911.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!