[发明专利]一种通用字符串相似性度量框架的构建方法

权利要求书

1.一种通用字符串相似性度量框架的构建方法，其特征在于，具体过程如下：

(1)设定X＝{x⁰,x¹,x²,...}和Y＝{y⁰,y¹,y²,...}为需要比较的两个字符串总体，X和Y中的元素xⁱ和y^j由字符序列和组成，其中和分别是xⁱ和y^j中的第p和第q个字符，m和n是xⁱ和y^j的长度；

(2)将匹配或相似的集合M＝{(xⁱ,y^j)；xⁱ＝y^j,xⁱ∈X,y^j∈Y}与不匹配集合N＝{(xⁱ,y^j)；xⁱ≠y^j,xⁱ∈X,y^j∈Y}组成一组字符串X×Y＝{(xⁱ,y^j)；xⁱ∈X,y^j∈Y}；

(3)基于匹配或相似的集合M＝{(xⁱ,y^j)；xⁱ＝y^j,xⁱ∈X,y^j∈Y}和不匹配集合N＝{(xⁱ,y^j)；xⁱ≠y^j,xⁱ∈X,y^j∈Y}，为每个字符串相似性度量定义一个用于比较的标准集合γ(xⁱ,y^j)，γ(xⁱ,y^j)＝{γ₁(xⁱ,y^j),γ₂(xⁱ,y^j),...,γ_K(xⁱ,y^j)}，其中γ_k(xⁱ,y^j)是xⁱ和y^j之间的第k个特定比较条件；

(4)得到后验概率P((xⁱ,y^j)∈M|γ(xⁱ,y^j))即字符串相似性度量的实际或准确结果后，再基于最大似然估计方法，使用P(γ(xⁱ,y^j)|(xⁱ,y^j)∈M)来估计后验概率，即：

Sim(xⁱ,y^j)＝P((xⁱ,y^j)∈M|γ(xⁱ,y^j))

∝P(γ(xⁱ,y^j)|(xⁱ,y^j)∈M)

设定γ(xⁱ,y^j)中的比较标准是对于具体的比较标准集合γ(xⁱ,y^j)，不匹配条件包含错误UM，该不匹配条件与概率P((xⁱ,y^j)∈M|γ(xⁱ,y^j))字符串相似性度量定义相关联，匹配或相似的比较条件排除错误M，该匹配或相似的比较条件也与概率P((xⁱ,y^j)∈M|γ(xⁱ,y^j))字符串相似性度量定义相关联，对于Sim(xⁱ,y^j)需要移除UM并添加M，将概率函数需要修改为：

其中是常用字符串相似性度量的概率形式，M-UM是修正误差的调整因子，并且M-UM趋于α·(1-Sim(xⁱ,y^j))，其中α∈[0,1]；

(5)最后得到一个结合附加特征的字符串相似性度量框架：

Sim(xⁱ,y^j)＝Sim_gen(xⁱ,y^j)+α·(1-Sim_gen(xⁱ,y^j))。