[发明专利]字符串相似度的计算方法和装置

说明书

技术领域

本发明涉及数据处理领域，具体而言，涉及一种字符串相似度的计算方法和装置。

背景技术

字符串相似在文本分析中具有重要意义。现有的字符串相似度计算方法比较成熟的是计算最小编辑距离的Levenshtein方法。Levenshtein方法是指两个字符串之间，由一个转化为另一个字符串所需的最少编辑步骤。编辑操作包括替换、删除、插入。该方法基于字符编辑，均在一定误差，并且进行相似度计算的路径较为复杂，导致字符串相似度计算的效率偏低。

针对现有技术中计算字符串相似度的效率低的问题，目前尚未提出有效的解决方案。

发明内容

本发明的主要目的在于提供一种字符串相似度的计算方法和装置，以解决现有技术中计算字符串相似度的效率低的问题。

为了实现上述目的，根据本发明实施例的一个方面，提供了一种字符串相似度的计算方法。

根据本发明的字符串相似度的计算方法包括：切割第一字符串和第二字符串，得到所述第一字符串的第一子串和所述第二字符串的第二子串；对比所述第二子串和所述第一字符串以删除所述第一字符串中与所述第二子串相同的部分，得到第一差异串，并对比所述第一子串和所述第二字符串以删除所述第二字符串中与所述第一子串相同的部分，得到第二差异串；以及根据所述第一字符串的长度、所述第二字符串的长度、所述第一差异串的长度和所述第二差异串的长度计算所述第一字符串和所述第二字符串的相似度。

进一步地，所述第一子串的数量为m，所述第二子串的数量为n，m和n均为2以上的自然数，其中：对比所述第二子串和所述第一字符串以删除所述第一字符串中与所述第二子串相同的部分，得到第一差异串包括重复执行第一判断步骤和第一删除步骤，直至i＝n，得到所述第一差异串，其中，i的初始值为1：所述第一判断步骤：判断所述第一字符串是否包含第二子串S2i；以及所述第一删除步骤：在判断出所述第一字符串包括所述第二子串S2i的情况下，从所述第一字符串中删除与所述第二子串S2i相同的部分，并设置i＝i+1，对比所述第一子串和所述第二字符串以删除所述第二字符串中与所述第一子串相同的部分，得到第二差异串包括重复执行第二判断步骤和第二删除步骤，直至j＝m，得到所述第二差异串，其中，j的初始值为1：所述第二判断步骤：判断所述第二字符串是否包含第一子串S1j；以及所述第二删除步骤：在判断出所述第二字符串包括所述第一子串S1j的情况下，从所述第二字符串中删除与所述第一子串S1j相同的部分，并设置j＝j+1。

进一步地，在对比所述第二子串和所述第一字符串以删除所述第一字符串中与所述第二子串相同的部分，得到第一差异串，并对比所述第一子串和所述第二字符串以删除所述第二字符串中与所述第一子串相同的部分，得到第二差异串之前，所述计算方法还包括：获取每个所述第一子串的长度，并获取每个所述第二子串的长度；以及按照长度由高到低的顺序分别对m个所述第一子串排序，得到第一子串S11至第一子串S1m，并按照长度由高到低的顺序分别对n个所述第二子串排序，得到第二子串S21至第二子串S2n。

进一步地，根据所述第一字符串的长度、所述第二字符串的长度、所述第一差异串的长度和所述第二差异串的长度计算所述第一字符串和所述第二字符串的相似度包括：按照公式计算所述相似度，其中，L(S1)为所述第一字符串的长度，L(S2)为所述第二字符串的长度，L(DS1)为所述第一差异串的长度，L(DS2)为所述第二差异串的长度，A为所述相似度。

为了实现上述目的，根据本发明实施例的另一方面，提供了一种字符串相似度的计算装置。

根据本发明的字符串相似度的计算装置包括：切割单元，用于切割第一字符串和第二字符串，得到所述第一字符串的第一子串和所述第二字符串的第二子串；处理单元，用于对比所述第二子串和所述第一字符串以删除所述第一字符串中与所述第二子串相同的部分，得到第一差异串，并对比所述第一子串和所述第二字符串以删除所述第二字符串中与所述第一子串相同的部分，得到第二差异串；以及计算单元，用于根据所述第一字符串的长度、所述第二字符串的长度、所述第一差异串的长度和所述第二差异串的长度计算所述第一字符串和所述第二字符串的相似度。