[发明专利]位标记字符串检索技术

说明书

技术领域

本发明涉及一种字符串模糊检索方法，快速有效地确定目的字符串可能存在的范 围，再使用已有的字符匹配方法定位目的字符串，适用于检索范围比较固定的字符串检索 领域。

背景技术

通常的字符串模糊检索采用逐位比较方式进行，如判断字符串S＝“bdopfqew”中是否 包含字符f，计算机以主串S的第一个字符b与f进行比较，再以S的第二个字符d与f 进行比较，以此类推，直到S的第5个字符与f相同，匹配成功，这是最简单的情形。如 果子串T长度为2个字符以上，简单的模式匹配算法，即BF算法，是以S₁与T₁比较， 若不同则以S₂与T₁比较，依次类推，直到S的某一个字符S_i与T₁相同，再将它们之后的 S_i+1与T₁₊₁进行比较，若也相同，则继续往下比较，当S的某一个字符S_i+n与T_1+n不同时， 则返回，再以S_i+1与T₁作新一轮比较，重复以上过程，直到T中的字符全部比完，则匹 配成功，否则匹配失败。随着检索关键词T的长度增加，字符匹配的复杂程度相应增加。 改进后的模式匹配算法，即KMP算法，对小字符集的拼音文字来说，避免了回溯，但对 字符集大、单字符频度低的汉字字符串而言，实质意义不大。简而言之，BF算法与KMP 算法均是对主串和子串的字符进行逐位比较。

2004年本人提出“质数代换字符串检索技术”，该方法可以提高字符串模糊检索的 速度2-3倍，但对于长字符串实施该方法，需要较多的空间存贮质数乘积值。为了提高字 符串模糊检索的速度，并减少对存贮空间的需求，本发明提出用数据的n个位(bit)来标 记字符串的组成信息，标记后之后的数据称该字符串的“位值”，对两个字符串的位值进 行比较，并结合通常的字符逐位比较法，实现字符串的模糊检索。测试表明，速度是一般 的字符逐位比较模糊检索的数倍乃至十几倍以上。

发明内容

本发明是一种字符串检索技术，目的是提高字符串模糊检索的速度。以一个位(bit) 对应若干个字符元，以n个位对应全部字符元，也就是分全部字符元为n组，并用一个数 据的n个均为0的位，记为W_F，来标记组成字符串的字符元信息。如果若干个字符串S 的一个字符元P₁属于第n组，则相应地将W的第n个位标记为1，类似地，根据S其它 字符元P₂、P₃、P₄…所属的组对W进行标记，完成全部字符元标记后的W，记录有S 的信息，称为S的“位值”，这种方式称为1标记。根据逻辑代数的原理，也可用一个数 据的n个均为1的位，记为来标记组成字符串的字符元信息。如果S的一个字符元 P属于第n组，则相应地将数据的第n个位标记为0，这种方式称为0标记。通过对S_a的“位值”W_a、与S_b的“位值”W_b、进行比较，可以判断S_b“不包含”、“包含” 或“可能包含”S_b的所有字符元。例如，对W_a与W_b进行位蕴含运算，如果所有的位都 有蕴含关系，则S_b包含或可能包含S_a的“所有字符元”。如果需要，再用通常的字符逐位 比较方法判断S_b是否包含“S_a”。以下简称本发明方法为“位标记检索”、“位标记字符串 检索”“位标记字符串检索技术”。

测试表明，位标记检索可以显著提高字符串的模糊检索速度。速度优势之外，位标 记检索的另一特点是多个关键词查询同单个关键词查询一样方便。位标记既可用于通常意 义的检索，即判断数据库字符串是否包含关键词，也可以作“逆检索”，判断关键词是否 包含数据库字符串，可用于语音输入、拼音输入及汉语分词中，匹配基本句型或词语。

作为基本方法的拓展，如果可用于标记的位数n，是字符串的平均长度m的2倍以 上，可以用数个位(bit)的组合对应一组字符元进行标记，以提高筛选效率。

位标记字符串检索技术作为一种字符串算法，需要首先对检索范围的字符串进行位 标记，所以适用于检索范围比较固定的字符串查找领域。