具有模糊差分度量的{Diff}算法

Question

我正在寻找类似于具有字母相似度量的最大公共子序列算法的算法。我的意思是，已知算法将所有字母表字母视为完全不同，我的用例具有更易于编辑成另一个字母的字母表字母，因此它们应通过差异算法视为相似。

作为用法示例，您可能会想到将算法运算在文本行上，其中某些行与其他行更相似。

第4页的论文An O(ND) Difference Algorithm and Its Variations说明：考虑为每个边缘添加权重或成本。给对角线边缘权重0和非对角线边缘权重1 。我想选择从[0;1]区间分配任何权重。

Answer 1

最大公共子序列（LCS）问题通常由动态编程方法计算，您可以调整现有方法以将它们应用于您的用例。

在这个解释LCS如何工作的例子中（来自维基百科）https://en.wikipedia.org/wiki/Longest_common_subsequence_problem#Example，您应该考虑调整算法：

而不是得分：

score_j = socre_i + 1，对于j = i +1（也就是说，当您找到新的公共项目时添加1），当新项目添加到LCS时，您应该得分：

score_j = F(score_i, p(letter_i, letter_j))无论如何。

• p(letter_i, letter_j) is the probability to change from letter_i to letter_j（即您所谈论的weight [0, 1]）
• F是一个聚合函数，从score_i到score_j知道概率p。

例如，F可以定义为operator +。然后它会产生：

score_j = score_i + p(letter_i, letter_j)) 或者更准确地说：

score_j = score_i + p(letter_i, letter_j)) x 1（请将x 1视为of a character）

并且woud会给出2个子序列的最大相似度（字符数），您可以通过算法末尾的回溯找到它们。

您可以找到自己的函数F以获得更好的结果。