编辑距离算法详解：Levenshtein Distance算法——动态规划问题

目录

背景：

求编辑距离算法：

图解过程：

C++代码如下：

总结：

---

背景：

我们在使用词典app时，有没有发现即使输错几个字母，app依然能给我们推荐出想要的单词，非常智能。它是怎么找出我们想要的单词的呢？这里就需要BK树来解决这个问题了。在使用BK树之前我们要先明白一个概念，叫编辑距离，也叫Levenshtein距离。词典app是怎么判断哪些单词和我们输入的单词很相似的呢？我们需要知道两个单词有多像，换句话说就是两个单词相似度是多少。1965年，俄国科学家Vladimir Levenshtein给字符串相似度做出了一个明确的定义叫做Levenshtein距离，我们通常叫它“编辑距离”。字符串A到B的编辑距离是指，只用插入、删除和替换三种操作，最少需要多少步可以把A变成B。例如，从aware到award需要一步（一次替换），从has到have则需要两步（替换s为v和再加上e）。Levenshtein给出了编辑距离的一般求法，就是大家都非常熟悉的经典动态规划问题。这里给出Levenshtein距离的性质。设d(x,y)表示字符串x到y的Levenshtein距离，那么显然：

1. d(x,y) = 0 当且仅当 x=y  （Levenshtein距离为0 <==> 字符串相等）
2. d(x,y) = d(y,x)     （从x变到y的最少步数就是从y变到x的最少步数）
3. d(x,y) + d(y,z) >= d(x,z)  （从x变到z所需的步数不会超过x先变成y再变成z的步数） 最后这一个性质叫做三角形不等式。就好像一个三角形一样，两边之和必然大于第三边。

在自然语言处理中，这个概念非常重要，比如在词典app中：如果用户马虎输错了单词，则可以列出字典里与它的Levenshtein距离小于某个数n的单词，让用户选择正确的那一个。n通常取到2或者3，或者更好地，取该单词长度的1/4等等。这里主要讲编辑距离如何求？至于怎么实现列出词典中相似的单词，详见拼写检查编程题详解-BK树算法。

求编辑距离算法：

这里需要有动态规划的思想，如果之前没有听过动态规划算法，请参考最少钱币数（凑硬币）详解-2-动态规划算法（初窥）。动态规划算法通常基于一个递推公式及一个或多个初始状态。 当前子问题的解将由上一次子问题的解推出。所以我们首要目标是找到某个状态和一个地推公式。假设我们可以使用d[ x,y ]个步骤（可以使用一个二维数组保存这个值），表示将串x[1...i]转换为 串y [ 1…j ]所需最少步骤数。

在最简单的情况下，即在i=0时，也就是说串x为空，那么对应的d[0,j] 就是x增加j个字符，即需要j步，使得x转化为y；在j等于0时，也就是说串y为空，那么对应的d[i,0] 就是x减少 i个字符，即需要i步，使得x转化为y。这是需要的最少步骤数了。

然后我们再进一步，如果我们想要将x[1...i]经过最少次数的增、删、改 操作转换为y[1...j]，可以考虑三种情况：

1）假设我们可以在最少a步内将x[1...i]转换为y[1...j-1]，这时我们只需要将x[1...i]加上y[j]就可以完成将x[1...i]转化为y[1...j]，这样x转换为y就需要a+1步。

2）假设我们可以在最少b步内将x[1...i-1]转换位y[1...j]，这时我们只需要将x[i]删除就可以完成将x[1...i]转换为y[1...j]，这样x转换为y就需要b+1步。

3）假设我们可以在最少k步内将x[1...i-1]转换为y[1...j-1]，这时我们就需要判断x[i]和y[j]是否相等，如果相等，那么我们只需要k步就可以完成将x[1...i]转换为y[1...j]；如果x[i]和y[j]不相等，那么我们需要将x[i]替换为y[j]，这样需要k+1步就可以将x[1...i]转换为y[1...j]。

这三种情况是在前一个状态可以以最少次数的增加，删除或者替换操作，使得现在串x和串y只需要再做一次操作或者不做就可以完成x[1..i]到y[1..j]的转换。最后，我们为了保证目前这个状态（x[1..i]转换为y[1..j]）下所需的步骤最少，我们需要从上面三种情况中选择步骤最少的一种作为将x[1...i]转换为y[1...j]所需的最少步骤数。即min(a+1，b+1，k+eq)，其中x[i]和y[j]相等，则eq=0，否则eq=1。

具体算法步骤如下（可以结合者下边的图来理解）：

1、构造 行数为m+1 列数为 n+1 的数组，用来保存完成某个字串转换所需最少步数，将串x[1..m] 转换到 串y[1…n] 所需要最少步数为levenST[m][n]的值；

2、初始化levenST第0行为0到n，第0列为0到m。

levenST[0][j]表示第0行第j-1列的值，这个值表示将串x[1…0]转换为y[1..j]所需最少步数，很显然将一个空串转换为一个长度为j的串，只需要j次的add操作，所以levenST[0][j]的值应该是j，其他的值类似。这是最简单的情形。

3、然后我们考虑一般的情况，如果我们想要将x[1...i]经过最少次数的增、删、改 操作转换为y[1...j]，就需要将串x和串y的每一个字符两两进行比较，如果相等，则eq=0，如果不等，则eq=1。例如，我们可以从x的第一个字母x[0]开始依次和y中的字母（y[0]，y[1]，y[2]，......y[n]）进行比较，然后得出相应位置（levenST[1][j]）上的最少转换步骤数。需要考虑三种情况（也就是三个初始的状态）：

• 1）这时levenST[i][j-1]的值a的含义就是最少a步将x[1...i]转换为y[1...j-1]，这时我们只需要将x[1...i]加上y[j]就可以完成将x[1...i]转化为y[1...j]，这样x转换为y就需要a+1步。
• 2）levenST[i-1][j]的值b的含义就是在最少b步内将x[1...i-1]转换为y[1...j]，这时我们只需要将x[i]删除就可以完成将x[1...i]转换为y[1...j]，这样x转换为y就需要b+1步。
• 3）而levenST[i-1][j-1]的值k的含义就是在最少k步内将x[1...i-1]转换为y[1...j-1]，这时我们就需要判断x[i]和y[j]是否相等，如果相等，那么我们只需要k步就可以完成将x[1...i]转换为y[1...j]；如果x[i]和y[j]不相等，那么我们需要将x[i]替换为y[j]，这样需要k+1步就可以将x[1...i]转换为y[1...j]。

最后，我们为了保证目前这个状态（x[1..i]转换为y[1..j]）下所需的步骤最少，我们需要从上面三种状态中选择步骤最少的一种作为将x[1...i]转换为y[1...j]所需的最少步骤数。即min( levenST[ i-1 ][ j ] + 1, levenST[ i ][ j-1 ] + 1, levenST [i-1 ][ j-1 ] + eq )，其中x[i]和y[j]相等，则eq=0，否则eq=1。

于是我们就可以得出递推公式：

levenST[ i ][ j ] = minOfTreeNum( levenST[ i-1 ][ j ] + 1, levenST[ i ][ j-1 ] + 1, levenST [i-1 ][ j-1 ] + eq );

（递推公式需要三个初始状态，即 levenST[i-1][j]， levenST[i][j-1]和 levenST[i-1][j-1] ，所以我们需要对数组 levenST[][] 事先进行初始化，先求出最简单的状态下的levenshtein距离）

最后，我们将两个字符串中所有字母都遍历对比完成之后，将x转换为y所需最少步骤数就是levenST[m][n]。其中m为字符串x的长度，n为字符串y的长度。

---

图解过程：

计算has和have的编辑距离：

1、构造初始化二维数组levenST[4][5]

2、从字符串has第一个字母开始，依次和y中的字母（y[1...j]）进行比较，然后得出相应位置（levenST[1,j]）上的最少转换步骤数。

如果两个字母相等，则在从此位置的左+1，上+1，左上+0三个数中获取最小的值存入；若不等，则在从此位置的左，上，左上三个位置中获取最小的值再加上1。如下图，首先对比字符串x中第一个字母h和字符串y中第一个字母h，发现两个字母相等，所以对比左、上、左上三个位置得出最小值0存入levenST[1][1]，接着依次对比‘h'->'a'，‘h'->'v'，‘h'->'e'。得出h子串和h，ha，hav，have四个子串的编辑距离。

3、接着将字母a依次和have中字母对比，得出ha子串和h，ha，hav，have四个子串的编辑距离。

4、接着将字母s依次和have中字母h，a，v，e对比，得出has子串和h，ha，hav，have四个子串的编辑距离。

最后一个即为单词has和have的编辑距离，

求出编辑距离，就可以得到两个字符串has和have的相似度 Similarity = (Max(x,y) - Levenshtein)/Max(x,y)，其中 x,y 为源串和目标串的长度。

x/y		h	a	v	e
	0	1	2	3	4
h	1	0	1	2	3
a	2	1	0	1	2
s	3	2	1	1	2

C++代码如下：

#include <iostream>
#include <string>

using namespace std;
int minOfTreeNum(int a, int b, int c)  //返回a，b，c三个数中最小值
{
    int minNum = a;
    if(minNum > b )
    {
        minNum = b;
    }
    if(minNum > c )
    {
        minNum = c;
    }
    return minNum;
}

int levenSTDistance(string x, string y)  //计算字符串x和字符串y的levenshtein距离
{
    int lenx = x.length();
    int leny = y.length();
    int levenST[lenx+1][leny+1];  //申请一个二维数组存放编辑距离
    int eq = 0;                   //存放两个字母是否相等
    int i,j;

    //初始化二维数组，也就是将最简单情形的levenshtein距离写入
    for(i=0; i <= lenx; i++)
    {
        levenST[i][0] = i;
    }
    for(j=0; j <= leny; j++)
    {
        levenST[0][j] = j;
    }

    //将串x和串y中的字母两两进行比较，得出相应字串的编辑距离
    for(i=1; i <= lenx; i++ )
    {
        for(j=1; j <= leny; j++)
        {
            if(x[i-1] == y[j-1])
            {
                eq = 0;
            }else{
                eq = 1;
            }
            levenST[i][j] = minOfTreeNum(levenST[i-1][j] + 1, levenST[i][j-1] + 1, levenST[i-1][j-1] + eq);
        }
    }
    return levenST[lenx][leny];
}
int main()
{
    string a,b;
    int levenDistance;
    cin >> a;
    cin >> b;
    levenDistance = levenSTDistance(a,b);
    cout << "Levenshtein Distance:" << levenDistance << endl;
    return 0;
}

总结：

动态规划算法通常基于一个递推公式及一个或多个初始状态。 当前子问题的解将由上一次子问题的解推出。关键是找到这个递推公式。需要多加练习。

参考资料： （这是java版代码） 编辑距离算法详解：Levenshtein Distance算法