字符串相似度的比较C#实现

由于最近的项目需要，有幸接触到了这方面的算法问题，字符串相似度，顾名思义，就是指两个字符串的相似程度。这一类的算法有很多，主要有编辑距离算法(Levenshtein Distance)、最长公共子串算法(CLS)、还有google的余弦算法。最终根据项目需求决定使用编辑距离算法(Levenshtein Distance)，下面就来详细说明一下Levenshtein Distance的具体实现。

编辑距离算法最先是由俄国科学家Levenshtein提出的，所以这个算法也叫做Levenshtein Distance算法。用最简单的一句话来说明这个算法就是：通过插入、删除、替换方法将字符串A变成字符串B所有的步骤就是算法中提到的编辑距离，最简单的相似度即编辑距离的倒数。

例如：

字符串A	字符串B	A -> B	编辑距离
abcde	abbde	将字符串B的b替换字符串A的c	1
abcdefg	adcdbfg	将字符串A第二位上的b变为d，将第五位上的e变为b	2

该算法的具体实现有以下几个步骤：

1. 获取字符串A和字符串B的长度，分为记为A_Length和B_Length

    如果 A_Length = 0 则编辑距离为B_Length

    如果 B_Length = 0 则编辑距离为A_Length

    如果 A_Length != 0 且 B_Length != 0 那么构造一个(A_Length+1) x (B_Length+1)矩阵Matrix[A_Length+1,B_Length+1]

2. 初始化矩阵的第一行和第一列，从0开始逐位递增，如下图：

矩阵的序号	0	1	2	3	....	B_Length
0	0	1	2	3	....	B_Length
1	1	x	x	x	x	x
2	2	x	x	x	x	x
3	3	x	x	x	x	x
....	....	x	x	x	x	x
A_Length	A_Length	x	x	x	x	x

3. 从Matrix[1,1]开始逐位遍历矩阵Matrix即：

for(int i=1; i< A_Length+1; i++) { for(int j=1; j<B_Length+1; j++) { //进行比较 } } 

4. 如果A[i] = B[j] 则编辑距离为0

    如果A[i] != B[j] 则编辑距离为1

5. 更新矩阵单元格Matrix[i,j]的值，算法如下：

    a = Matrix[i-1,j] + 1

    b = Matrix[i,j-1] + 1

    c = Matrix[i-1,j-1] + 第四步骤中的编辑距离

    Matrix[i,j] = a,b,c中的最小值

6. 重复上述从3-5的步骤，最后得到单元格Matrix[A_Length,B_Length]的值即从字符串A到字符串B的编辑距离

具体C#实现如下

public class LevenshteinDistance { #region 私有变量 /// <summary> /// 字符串1 /// </summary> private char[] _ArrChar1; /// <summary> /// 字符串2 /// </summary> private char[] _ArrChar2; /// <summary> /// 统计结果 /// </summary> private Result _Result; /// <summary> /// 开始时间 /// </summary> private DateTime _BeginTime; /// <summary> /// 结束时间 /// </summary> private DateTime _EndTime; /// <summary> /// 计算次数 /// </summary> private int _ComputeTimes; /// <summary> /// 算法矩阵 /// </summary> private int[,] _Matrix; /// <summary> /// 矩阵列数 /// </summary> private int _Column; /// <summary> /// 矩阵行数 /// </summary> private int _Row; #endregion #region 属性 public Result ComputeResult { get { return _Result; } } #endregion #region 构造函数 public LevenshteinDistance(string str1, string str2) { this.LevenshteinDistanceInit(str1,str2); } public LevenshteinDistance() { } #endregion #region 算法实现 /// <summary> /// 初始化算法基本信息 /// </summary> /// <param name="str1">字符串1</param> /// <param name="str2">字符串2</param> private void LevenshteinDistanceInit(string str1,string str2) { _ArrChar1 = str1.ToCharArray(); _ArrChar2 = str2.ToCharArray(); _Result = new Result(); _ComputeTimes = 0; _Row = _ArrChar1.Length + 1; _Column = _ArrChar2.Length + 1; _Matrix = new int[_Row, _Column]; } /// <summary> /// 计算相似度 /// </summary> public void Compute() { //开始时间 _BeginTime = DateTime.Now; //初始化矩阵的第一行和第一列 this.InitMatrix(); int intCost = 0; for (int i = 1; i < _Row; i++) { for (int j = 1; j < _Column; j++) { if (_ArrChar1[i - 1] == _ArrChar2[j - 1]) { intCost = 0; } else { intCost = 1; } //关键步骤，计算当前位置值为左边+1、上面+1、左上角+intCost中的最小值 //循环遍历到最后_Matrix[_Row - 1, _Column - 1]即为两个字符串的距离 _Matrix[i, j] = this.Minimum(_Matrix[i - 1, j] + 1, _Matrix[i, j - 1] + 1, _Matrix[i - 1, j - 1] + intCost); _ComputeTimes++; } } //结束时间 _EndTime = DateTime.Now; //相似率 移动次数小于最长的字符串长度的20%算同一题 int intLength = _Row > _Column ? _Row : _Column; _Result.Rate = (1 - (double)_Matrix[_Row - 1, _Column - 1] / intLength).ToString().Substring(0, 6); if (_Result.Rate.Length > 6) { _Result.Rate = _Result.Rate.Substring(0, 6); } _Result.UseTime = (_EndTime - _BeginTime).ToString(); _Result.ComputeTimes = _ComputeTimes.ToString() + " 距离为：" + _Matrix[_Row - 1, _Column - 1].ToString(); } /// <summary> /// 计算相似度 /// </summary> /// <param name="str1">字符串1</param> /// <param name="str2">字符串2</param> public void Compute(string str1,string str2) { this.LevenshteinDistanceInit(str1, str2); this.Compute(); } /// <summary> /// 初始化矩阵的第一行和第一列 /// </summary> private void InitMatrix() { for (int i = 0; i < _Column; i++) { _Matrix[0, i] = i; } for (int i = 0; i < _Row; i++) { _Matrix[i, 0] = i; } } /// <summary> /// 取三个数中的最小值 /// </summary> /// <param name="First"></param> /// <param name="Second"></param> /// <param name="Third"></param> /// <returns></returns> private int Minimum(int First, int Second, int Third) { int intMin = First; if (Second < intMin) { intMin = Second; } if (Third < intMin) { intMin = Third; } return intMin; } #endregion } /// <summary> /// 计算结果 /// </summary> public struct Result { /// <summary> /// 相似度 /// </summary> public string Rate; /// <summary> /// 对比次数 /// </summary> public string ComputeTimes; /// <summary> /// 使用时间 /// </summary> public string UseTime; }