Java实现两字符串相似度算法

1、编辑距离

编辑距离：是衡量两个字符串之间差异的度量，它表示将一个字符串转换为另一个字符串所需的最少编辑操作次数（插入、删除、替换）。

2、相似度

计算方法可以有多种，其中一种常见的方法是将编辑距离归一化为0到1之间的范围（归一化编辑距离（Normalized Edit Distance）），将编辑距离除以较长字符串的长度。这样可以将相似度表示为一个百分比，其中0表示完全不相似，1表示完全相似。

请注意，这种归一化方法并不是唯一的，也不适用于所有情况。在实际应用中，你可以根据具体需求选择适合的相似度计算方法。例如，Jaro-Winkler相似度算法和Cosine相似度算法等都是常用的字符串相似度计算方法，它们不一定使用编辑距离作为基础。

3、相似度分类、测试

• 归一化编辑距离（Normalized Edit Distance）
• Jaro-Winkler相似度
• 余弦相似度（Cosine Similarity）

3.1、归一化编辑距离（Normalized Edit Distance）

• 解释：常用的，将编辑距离归一化为0到1之间的范围

• 使用、测试

    String str1 = "h1e2l3l4o";
    String str2 = "ddddhello";

    //归一化编辑距离
    @Test
    void contextLoads() {
        // commons-text 包：根据编辑距离计算：相似度
        int editDistance = LevenshteinDistance.getDefaultInstance().apply(str1, str2);
        double similarity = 1 - ((double) editDistance / Math.max(str1.length(), str2.length()));

        System.out.println("commons-text 包：Edit Distance: " + editDistance);
        System.out.println("commons-text 包：Similarity: " + similarity);
    }

• 结果

3.1.1、数据库Oracle/DM实现的归一化编辑距离

• 见：https://www.cnblogs.com/kakarotto-chen/p/17752256.html

• 测试

-- oracle/dm实现的归一化编辑距离
SELECT UTL_MATCH.edit_distance_similarity ('h1e2l3l4o', 'ddddhello') AS similarity

• 结果

3.2、Jaro-Winkler相似度

• 解释：我也看不懂，自行取用：https://www.jianshu.com/p/a4af202cb702

• 使用、测试

    String str1 = "h1e2l3l4o";
    String str2 = "ddddhello";

    //Jaro-Winkler相似度
    @Test
    public void test03()throws Exception{
        JaroWinklerSimilarity js = new JaroWinklerSimilarity();
        System.out.println("Jaro-Winkler相似度: " + js.apply(str1, str2));
    }

• 结果

3.3、余弦相似度（Cosine Similarity）

• 解释：我也看不懂，自行取用

余弦相似度（Cosine Similarity）是通过计算两个向量之间的夹角来衡量它们的相似度。在这种情况下，我们可以将字符串视为向量，其中每个字符对应一个维度。

对于左边字符串"h1e2l3l4o"和右边字符串"hello"，我们可以将它们表示为以下向量：

左边字符串向量：[1, 2, 3, 4, 5]
右边字符串向量：[1, 1, 1, 1, 1]

为了计算余弦相似度，我们需要计算这两个向量的点积和它们的模长。点积表示两个向量之间的相似程度，模长表示向量的长度。

左边字符串向量的模长：sqrt(1^2 + 2^2 + 3^2 + 4^2 + 5^2) = sqrt(55)
右边字符串向量的模长：sqrt(1^2 + 1^2 + 1^2 + 1^2 + 1^2) = sqrt(5)

左边字符串向量和右边字符串向量的点积：11 + 21 + 31 + 41 + 51 = 1 + 2 + 3 + 4 + 5 = 15

根据余弦相似度的公式，余弦相似度可以计算为点积除以两个向量的模长的乘积：

余弦相似度 = 点积 / (左边字符串向量的模长 右边字符串向量的模长)
= 15 / (sqrt(55) sqrt(5))
≈ 0.745

因此，左边字符串"h1e2l3l4o"和右边字符串"hello"的余弦相似度约为0.745。

• 测试、使用

    String str1 = "h1e2l3l4o";
    String str2 = "ddddhello";
    //余弦相似度
    @Test
    public void test02()throws Exception{
        // commons-text 包
        // 使用Cosine计算两个字符串的余弦距离
        CosineDistance cd = new CosineDistance();
        Double apply = cd.apply(str2, str1);
        System.out.println("Cosine相似度：" + apply);
    }

• 结果：不知道对不对

4、总结

• 上述三种的简单介绍：

上述三种的简单介绍

• 其他相似度

1. 编辑距离（Edit Distance）：衡量两个字符串之间的差异，通过计算插入、删除和替换操作的最小次数来确定相似度。
2. Hamming距离（Hamming Distance）：用于比较两个等长字符串之间的差异，计算在相同位置上不同字符的数量。
3. Damerau-Levenshtein距离：类似于编辑距离，但允许交换相邻字符的操作。
4. Jaccard相似度（Jaccard Similarity）：用于比较集合之间的相似度，计算两个集合的交集与并集的比值。
5. Sørensen-Dice相似度：类似于Jaccard相似度，但计算两个集合的两倍交集与两个集合的元素总数之和的比值。
6. Smith-Waterman算法：用于比较两个字符串之间的相似性，主要用于序列比对和字符串匹配。
7. Longest Common Subsequence（LCS）：计算两个字符串之间最长公共子序列的长度，用于衡量字符串的相似性。
8. N-gram相似度：将字符串分割为连续的N个字符片段，比较两个字符串之间的N-gram的相似性。
9. Cosine相似度（余弦相似度）：用于比较两个向量之间的夹角，常用于文本相似度计算。

• 都是使用：Apache Commons Text：1.11.0包

    // 实现字符串相似度算法的包
    implementation 'org.apache.commons:commons-text:1.11.0'