DAMERAU - مسافة Levenshtein ، مضيفًا عتبة
-
27-09-2019 - |
سؤال
لديّ التنفيذ التالي ، لكنني أريد إضافة عتبة ، لذلك إذا كانت النتيجة أكبر منها ، فما عليك سوى التوقف عن الحساب والعودة.
كيف يمكنني القيام بذلك؟
تحرير: هنا هو الكود الحالي الخاص بي ، threshold
لم يتم استخدامه بعد ... الهدف هو أنه يستخدم
public static int DamerauLevenshteinDistance(string string1, string string2, int threshold)
{
// Return trivial case - where they are equal
if (string1.Equals(string2))
return 0;
// Return trivial case - where one is empty
if (String.IsNullOrEmpty(string1) || String.IsNullOrEmpty(string2))
return (string1 ?? "").Length + (string2 ?? "").Length;
// Ensure string2 (inner cycle) is longer
if (string1.Length > string2.Length)
{
var tmp = string1;
string1 = string2;
string2 = tmp;
}
// Return trivial case - where string1 is contained within string2
if (string2.Contains(string1))
return string2.Length - string1.Length;
var length1 = string1.Length;
var length2 = string2.Length;
var d = new int[length1 + 1, length2 + 1];
for (var i = 0; i <= d.GetUpperBound(0); i++)
d[i, 0] = i;
for (var i = 0; i <= d.GetUpperBound(1); i++)
d[0, i] = i;
for (var i = 1; i <= d.GetUpperBound(0); i++)
{
for (var j = 1; j <= d.GetUpperBound(1); j++)
{
var cost = string1[i - 1] == string2[j - 1] ? 0 : 1;
var del = d[i - 1, j] + 1;
var ins = d[i, j - 1] + 1;
var sub = d[i - 1, j - 1] + cost;
d[i, j] = Math.Min(del, Math.Min(ins, sub));
if (i > 1 && j > 1 && string1[i - 1] == string2[j - 2] && string1[i - 2] == string2[j - 1])
d[i, j] = Math.Min(d[i, j], d[i - 2, j - 2] + cost);
}
}
return d[d.GetUpperBound(0), d.GetUpperBound(1)];
}
}
المحلول 4
أخيرًا حصلت عليه ... على الرغم من أنه ليس مفيدًا كما كنت آمل
public static int DamerauLevenshteinDistance(string string1, string string2, int threshold)
{
// Return trivial case - where they are equal
if (string1.Equals(string2))
return 0;
// Return trivial case - where one is empty
if (String.IsNullOrEmpty(string1) || String.IsNullOrEmpty(string2))
return (string1 ?? "").Length + (string2 ?? "").Length;
// Ensure string2 (inner cycle) is longer
if (string1.Length > string2.Length)
{
var tmp = string1;
string1 = string2;
string2 = tmp;
}
// Return trivial case - where string1 is contained within string2
if (string2.Contains(string1))
return string2.Length - string1.Length;
var length1 = string1.Length;
var length2 = string2.Length;
var d = new int[length1 + 1, length2 + 1];
for (var i = 0; i <= d.GetUpperBound(0); i++)
d[i, 0] = i;
for (var i = 0; i <= d.GetUpperBound(1); i++)
d[0, i] = i;
for (var i = 1; i <= d.GetUpperBound(0); i++)
{
var im1 = i - 1;
var im2 = i - 2;
var minDistance = threshold;
for (var j = 1; j <= d.GetUpperBound(1); j++)
{
var jm1 = j - 1;
var jm2 = j - 2;
var cost = string1[im1] == string2[jm1] ? 0 : 1;
var del = d[im1, j] + 1;
var ins = d[i, jm1] + 1;
var sub = d[im1, jm1] + cost;
//Math.Min is slower than native code
//d[i, j] = Math.Min(del, Math.Min(ins, sub));
d[i, j] = del <= ins && del <= sub ? del : ins <= sub ? ins : sub;
if (i > 1 && j > 1 && string1[im1] == string2[jm2] && string1[im2] == string2[jm1])
d[i, j] = Math.Min(d[i, j], d[im2, jm2] + cost);
if (d[i, j] < minDistance)
minDistance = d[i, j];
}
if (minDistance > threshold)
return int.MaxValue;
}
return d[d.GetUpperBound(0), d.GetUpperBound(1)] > threshold
? int.MaxValue
: d[d.GetUpperBound(0), d.GetUpperBound(1)];
}
نصائح أخرى
هذا يتعلق بإجابةك هذا: DAMERAU - مسافة Levenshtein ، مضيفًا عتبة(آسف لا أستطيع التعليق لأنني لا أملك 50 مندوبًا حتى الآن)
أعتقد أنك ارتكبت خطأ هنا. قمت بالتهيئة:
var minDistance = threshold;
وقاعدة التحديث الخاصة بك هي:
if (d[i, j] < minDistance)
minDistance = d[i, j];
أيضا ، معايير الخروج المبكرة الخاصة بك هي:
if (minDistance > threshold)
return int.MaxValue;
الآن ، لاحظ أن الشرط أعلاه لن يكون صحيحًا أبدًا! يجب أن تهيئة بدلاً من ذلك minDistance
إلى int.MaxValue
هذه هي الطريقة الأكثر أناقة التي يمكنني التفكير فيها. بعد تعيين كل فهرس D ، معرفة ما إذا كان يتجاوز عتبةك. التقييم هو وقت ثابت ، لذلك فهو انخفاض في الدلو مقارنة مع تعقيد N^2 النظري للخوارزمية الكلية:
public static int DamerauLevenshteinDistance(string string1, string string2, int threshold)
{
...
for (var i = 1; i <= d.GetUpperBound(0); i++)
{
for (var j = 1; j <= d.GetUpperBound(1); j++)
{
...
var temp = d[i,j] = Math.Min(del, Math.Min(ins, sub));
if (i > 1 && j > 1 && string1[i - 1] == string2[j - 2] && string1[i - 2] == string2[j - 1])
temp = d[i,j] = Math.Min(temp, d[i - 2, j - 2] + cost);
//Does this value exceed your threshold? if so, get out now
if(temp > threshold)
return temp;
}
}
return d[d.GetUpperBound(0), d.GetUpperBound(1)];
}
لقد طرحت هذا أيضًا على أنه سؤال SQL clr udf ، لذا سأجيب في هذا السياق المحدد: لن تأتي أفضل حالات optmizization من تحسين مسافة Levenshtein ، ولكن من تقليل عدد الأزواج التي تقارنها. نعم ، ستحسن خوارزمية Levenshtein الأسرع من الأمور ، ولكن ليس بنفس القدر الذي تقلل من عدد المقارنات من N Square (مع N في ملايين الصفوف) إلى N*عامل. اقتراحي هو مقارنة العناصر فقط التي لديها فرق الطول داخل دلتا مقبولة. على طاولتك الكبيرة ، يمكنك إضافة عمود محسوب مستمر LEN(Data)
ثم قم بإنشاء فهرس عليه مع تضمين البيانات:
ALTER TABLE Table ADD LenData AS LEN(Data) PERSISTED;
CREATE INDEX ndxTableLenData on Table(LenData) INCLUDE (Data);
الآن يمكنك تقييد مساحة المشكلة الهائلة من خلال الانضمام ضمن اختلاف الحد الأقصى على lenght (على سبيل المثال. يقول 5) ، إذا كانت بياناتك LEN(Data)
يختلف بشكل كبير:
SELECT a.Data, b.Data, dbo.Levenshtein(a.Data, b.Data)
FROM Table A
JOIN Table B ON B.DataLen BETWEEN A.DataLen - 5 AND A.DataLen+5