字符串近似匹配

计算机科学中, 字符串近似匹配(通常俗称为字符串模糊查询),是一种字符串查找技术,用来近似匹配一个模式,而不是完全匹配。

概览

匹配的近似度用如下方法来度量:把字符串转换成完全匹配的字符串所需要的基本操作步数。这个数量被称为编辑距离。通常基本操作有:[1]

  • 插入: cotcoat
  • 删除: coatcot
  • 替换: coatcost

这三个操作可以泛化为使用NULL字符来替换原来的字符(这里使用*来表示):

  • 插入: co*tcoat
  • 删除: coatco*t
  • 替换: coatcost

某些近似匹配算法还将转置(字符串中的2个字母交换位置)作为一次基本操作来对待。 一个例子是cost → cots。[2]

问题表述和算法

一个可能的字符串近似匹配问题定义如下:给定模式   和字符串  ,查找 的一个子字符串  ,使得在所有的子字符串中,这个子字符串和 的编辑距离最小。

一种暴力的算法是,计算T的所有子字符串和P的编辑距离,然后选择距离最小的那个。 然而,这个算法的运行时间为 O(n3 m)。

一个更好的解决办法,是由Sellers提出的动态规划方法。

在线和离线

传统上,字符串近似匹配算法被分为两类:在线和离线。

在线算法模式可以被预处理,但是文本没有预处理。换言之,在线技术搜索不需要索引。早期的在线算法是由Wagner和Fisher、Sellers提出的。Sellers算法用来近似搜索文本的子字符串。而Wagner-Fisher算法计算莱文斯坦距离, 只能适合作字典模糊查询。

在线搜索技术已经被持续改善。 也许最著名改善是Bitap算法(又称shift-or算法、shift-and算法),对于较短的模式搜索效率非常高。Bitap算法是Unix操作系统中agrep工具的核心算法。G.Navarro对在线搜索算法做了一个回顾。[3]

在线算法对于大量数据是不可接受的。 文本预处理、索引使得搜索大幅度加速。 如今,有各种各样的索引算法,如后缀树度量树英语Metric treen元语法

应用

最常见的应用如拼写检查,在大量的DNA数据中匹配核苷酸,还有垃圾邮件过滤

字符串近似匹配不能应用于大多数二进制数据如图像和声音,它们需要不同的算法,例如声学指纹

链接

参考文献