本文是算法之美一書的第一部分(自己分的),著重講解一下字符串的匹配問題冶匹。
字符串的精確匹配有BF习劫、MP、KMP嚼隘、BM诽里、BMH算法等;模糊匹配有全局編輯向量飞蛹、局部最佳對準(zhǔn)谤狡、N元距離模型匿乃、語音編碼模型等。
字符串精確匹配:
BF算法:
算法思路:最簡單的字符串模式匹配方式:時(shí)間復(fù)雜度最高豌汇,為平方級(jí)別。
MP算法(快速串匹配算法):
首先通過模式串建立mpNext()數(shù)組泄隔,該數(shù)組的功能時(shí)在計(jì)算失效函數(shù)(假設(shè)j=3拒贱,比較p0p1p2?=p1p2p3,若相等佛嬉,f(j)=3-1逻澳;不等,則比較p0p1?=p1p2暖呕;f(j)=2-1;類推斜做,若都不等,則為-1)的基礎(chǔ)上加1湾揽,同時(shí)多設(shè)置一位表示串匹配成功而主串未完時(shí)繼續(xù)比較的情況瓤逼,即mpNext[length]=0。
注:加1這個(gè)地方是不對的:而是通過Pf(j-1)+1得到mpNext[j]的值库物。
建立之后霸旗,開始遍歷主串:若第一個(gè)就不等,主串++戚揭;模式串=0诱告;若相等,則++民晒、++精居;若并非第一個(gè)不等,則主串不變潜必,模式串=mpNext[k]靴姿。
將i存入list鏈表中。(以消耗空間代替消耗時(shí)間)
代碼如下:
KMP算法:
KMP與MP的不同之處在于:MP針對一些模式字符串未能完全跳到最優(yōu)的字符下所做的一點(diǎn)改進(jìn)磁滚。
算法建立在mpNext基礎(chǔ)之上空猜,遵循以下四個(gè)原則:
(1)mp=0且pj(j位的字符)=p0,kmp=-1;
(2)mp=0且pj!=po恨旱,則kmp=0;
(3)mp!=0且pj!=pmp,kmp=mp;
(4)mp!=0且pj==pmp, 則將mp的值換為原來mp中的j值辈毯,知道前三種情況出現(xiàn),求得kmp搜贤。
說明:對于文本的精確匹配谆沃,還有好多,比如BM算法:自左向右移動(dòng)仪芒,自右向左比較唁影、BMH算法等耕陷。
字符串模糊匹配:
全局編輯向量
基本思想為:對兩個(gè)字符串建立一個(gè)(m+2)*(n+2)的二維表格,并將第二行第二列設(shè)置為0据沈。從第三行第三列開始哟沫,計(jì)算每一位上的值,計(jì)算的方法為:查看左上角锌介、左方嗜诀、上方的值,選擇最大值并加上兩字符的比較結(jié)果(相同+1孔祸、不同-1)隆敢,從而得到最終結(jié)果即為最后一個(gè)數(shù)。之后回溯崔慧,根據(jù)那條路徑得到的最值拂蝎,挑選出此路徑即可(注意此路徑不止一條)。
以GCATGCA 與GATTACA為例惶室,得到最值2并得到回溯結(jié)果后温自,便可得到可能的匹配結(jié)果:
GCATG_CA ? ? ? ?GCA_TGCA ? ? ? ?GCAT_GCA
G_ATTACA ? ? ? ? G_ATTACA ? ? ? ? G_ATTACA
觀察可以發(fā)現(xiàn),最小匹配結(jié)果都是5次成功皇钞、一次失敗捣作、2次插入或者刪除操作。最終得到的結(jié)果為5-1-2=2.
局部最佳對準(zhǔn)
與全局編輯距離的不同之處僅在于當(dāng)有負(fù)數(shù)出現(xiàn)時(shí)將負(fù)值變?yōu)?即可鹅士。
時(shí)間與空間復(fù)雜度同樣是O(mn)
N元距離模型
以Gorbachev 與 Gorbechyov舉例:
首先的思路是計(jì)算他們每個(gè)的N元分組券躁,即將字符串按n元分組,Go or rb ba ac ch he ev(假設(shè)n=2時(shí))掉盅,計(jì)算兩字符串有多少個(gè)相同的子串也拜。但這種方式在比較gril與grilfriend時(shí),即使子串很多趾痘,也是不成立的慢哈。
所以,在此基礎(chǔ)上加入距離模型: Gn1+Gn2-n*(Gn1交Gn2)
套入上例即為(8+9)-2*4=9永票。顯然距離越小卵贱, 兩個(gè)字符串越接近。
語音編碼模型
運(yùn)用發(fā)音規(guī)則對這些詞進(jìn)行模糊匹配將會(huì)得到非常理想的效果侣集〖悖基于語音編碼和模糊匹配也是自然語言處理中的一個(gè)非常重要的話題。
soundex算法:將一個(gè)英文字符串轉(zhuǎn)換為固定格式的編碼格式世分,比如hrie 思路為保留H编振,同時(shí)查詢字母編碼轉(zhuǎn)化表,將后面字母轉(zhuǎn)化為數(shù)字(表中一個(gè)數(shù)組對應(yīng)多個(gè)相近發(fā)音的字母)臭埋。最終得到比較結(jié)果踪央。
soundex算法作為其他算法之父臀玄,普遍應(yīng)用于MySQL、Oracle等主流數(shù)據(jù)庫中畅蹂。