最近帮一个项目分析数据库瓶颈，于是想先通过SQL Profiler把SQL语句的运行数据抓下来，再对不同语句分类统计。这其中涉及一个如何识别相似语句的问题，于是上网找了找，一个叫Levenshtein Distance的算法比较简单，就写了段代码实现了一下，效果还不错。
这个算法是一个俄国人Lvenshtein提出的，用于计算两个字符串之间，由一个转换成另一个所需的最少编辑操作次数。次数越少，表示两个字符串相似度越高。
用实例来讲解算法最直观，我们假设有两个字符串：test和est，需要经过以下几个步骤来获取LD值。
1、初始化一个矩阵
┌──┬───────────┐
│ │test t e s t │
├──┼───────────┤
│ est│ 0 1 2 3 4 │
│ e│ 1 x │
│ s│ 2 │
│ t│ 3 │
└──┴───────────┘
2、计算x值
计算x的算法为：
取x1 = 左边的值+1 = 1+1 = 2；
取x2 = 上边的值+1 = 1+1 = 2；
如果横纵坐标的字符不一样，则取x3 = 左上角的值+1，否则取x3 = 左上角的值。此处由于e≠t，所以x3 = 0+1 = 1。
然后得到x = min(x1, x2, x3) = 1。
3、以此类推，填满矩阵，最右下角的值即为LD值
┌──┬───────────┐
│ │test t e s t │
├──┼───────────┤
│ est│ 0 1 2 3 4 │
│ e│ 1 1 1 2 3 │
│ s│ 2 2 2 1 2 │
│ t│ 3 2 3 2 1 │
└──┴───────────┘
4、计算相似度
公式为：相似度 = 1 - (LD / 最大字符串长度)
本例中，相似度 = 1 - (1 / 4) = 0.75，这个值介于0到1之间，值越高，表示两字符串相似度越大。
用C#代码实现一下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
|
/// <summary> /// 计算LD值 /// </summary> /// <param name="str1">第一个字符串</param> /// <param name="str2">第二个字符串</param> /// <returns>LD</returns> public int GetLevenshteinDistince(string str1, string str2)
{ //初始化矩阵
int[,] matrix = new int[str1.Length + 1, str2.Length + 1];
//赋第一行与第一列的初值
for(int i = 0; i <= str1.Length; ++i)
matrix[i, 0] = i;
for(int i = 0; i <= str2.Length; ++i)
matrix[0, i] = i;
//开始填充矩阵
for(int i = 1; i <= str1.Length; i++)
{
for(int j = 1; j <= str2.Length; j++)
{
//左上角相同加0，否则加1
int addition = str1[i - 1] == str2[j - 1] ? 0 : 1;
//取三者中的最小值
int min = Math.Min(matrix[i - 1, j - 1] + addition, matrix[i, j - 1] + 1);
matrix[i, j] = Math.Min(min, matrix[i - 1, j] + 1);
}
}
//矩阵最右下角数字即是LD
return matrix[str1.Length, str2.Length];
} /// <summary> /// 计算相似度 /// </summary> /// <param name="str1">第一个字符串</param> /// <param name="str2">第二个字符串</param> /// <returns>相似度，0-1之间</returns> public float ComputeSimilarity(string str1, string str2)
{ return 1 - (float)GetLevenshteinDistince(str1, str2) / Math.Max(str1.Length, str2.Length);
} |
OK，运行效率还是挺高的。
本文转自 BoyTNT 51CTO博客，原文链接：http://blog.51cto.com/boytnt/822237，如需转载请自行联系原作者