文本的匹配

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:


字符串取子字符法


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:


MP算法

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。

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末健无,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子液斜,更是在濱河造成了極大的恐慌累贤,老刑警劉巖,帶你破解...
    沈念sama閱讀 212,454評論 6 493
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件旗唁,死亡現(xiàn)場離奇詭異,居然都是意外死亡痹束,警方通過查閱死者的電腦和手機(jī)检疫,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,553評論 3 385
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來祷嘶,“玉大人屎媳,你說我怎么就攤上這事÷畚。” “怎么了烛谊?”我有些...
    開封第一講書人閱讀 157,921評論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長嘉汰。 經(jīng)常有香客問我丹禀,道長,這世上最難降的妖魔是什么鞋怀? 我笑而不...
    開封第一講書人閱讀 56,648評論 1 284
  • 正文 為了忘掉前任双泪,我火速辦了婚禮,結(jié)果婚禮上密似,老公的妹妹穿的比我還像新娘焙矛。我一直安慰自己,他們只是感情好残腌,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,770評論 6 386
  • 文/花漫 我一把揭開白布村斟。 她就那樣靜靜地躺著,像睡著了一般抛猫。 火紅的嫁衣襯著肌膚如雪蟆盹。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,950評論 1 291
  • 那天闺金,我揣著相機(jī)與錄音日缨,去河邊找鬼。 笑死掖看,一個(gè)胖子當(dāng)著我的面吹牛匣距,可吹牛的內(nèi)容都是我干的面哥。 我是一名探鬼主播,決...
    沈念sama閱讀 39,090評論 3 410
  • 文/蒼蘭香墨 我猛地睜開眼毅待,長吁一口氣:“原來是場噩夢啊……” “哼尚卫!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起尸红,我...
    開封第一講書人閱讀 37,817評論 0 268
  • 序言:老撾萬榮一對情侶失蹤吱涉,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后外里,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體怎爵,經(jīng)...
    沈念sama閱讀 44,275評論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,592評論 2 327
  • 正文 我和宋清朗相戀三年盅蝗,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了鳖链。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 38,724評論 1 341
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡墩莫,死狀恐怖芙委,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情狂秦,我是刑警寧澤灌侣,帶...
    沈念sama閱讀 34,409評論 4 333
  • 正文 年R本政府宣布,位于F島的核電站裂问,受9級(jí)特大地震影響侧啼,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜堪簿,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 40,052評論 3 316
  • 文/蒙蒙 一慨菱、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧戴甩,春花似錦符喝、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,815評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至缴川,卻和暖如春茉稠,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背把夸。 一陣腳步聲響...
    開封第一講書人閱讀 32,043評論 1 266
  • 我被黑心中介騙來泰國打工而线, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 46,503評論 2 361
  • 正文 我出身青樓膀篮,卻偏偏與公主長得像嘹狞,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個(gè)殘疾皇子誓竿,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,627評論 2 350

推薦閱讀更多精彩內(nèi)容

  • 串匹配算法也稱作模式匹配算法磅网,就是在目標(biāo)字符串中查找子字符串,常用于文本搜索筷屡、入侵檢測等領(lǐng)域涧偷,將目標(biāo)字符串定義為T...
    效宇笑語閱讀 1,406評論 0 1
  • 文章大綱:1.KMP算法概念2.KMP算法中最核心的next[] 數(shù)組是如何生成的3.使用KMP算法 匹配字符串 ...
    檸檬烏冬面閱讀 812評論 0 3
  • 引言 字符串匹配一直是計(jì)算機(jī)科學(xué)領(lǐng)域研究和應(yīng)用的熱門領(lǐng)域,算法的改進(jìn)研究一直是一個(gè)十分困難的課題毙死。作為字符串匹配中...
    潮汐行者閱讀 1,632評論 2 6
  • 首先總結(jié)以下Java和C燎潮、C++中的一般控制臺(tái)輸入方式,方便以后的編程題: java鍵盤輸入 java讀文件(會(huì)自...
    androidjp閱讀 2,281評論 0 16
  • 在歸家的旅途中,打開高德聽著易烊千璽的導(dǎo)航唉锌,看著自己離家一公里一公里的靠近隅肥,好奇自己為什么要報(bào)跨越幾個(gè)省份一千多...
    我叫沒有名字閱讀 206評論 0 0