Задача о редакционном расстоянии — различия между версиями

Материал из Викиконспекты
Перейти к: навигация, поиск
(Формула)
 
(не показано 6 промежуточных версий 2 участников)
Строка 1: Строка 1:
{{Определение
+
#перенаправление [[Задача о редакционном расстоянии, алгоритм Вагнера-Фишера]]
|definition=
 
'''Расстояние Левенштейна''' (также '''редакционное расстояние''' или '''дистанция редактирования''') между двумя строками в теории информации и компьютерной лингвистике — это минимальное количество операций вставки одного символа, удаления одного символа и замены одного символа на другой, необходимых для превращения одной строки в другую.}}
 
 
 
== Свойства ==
 
 
 
Для расстояния Левенштейна справедливы следующие утверждения:
 
* <tex>\rm{d}(S_1,S_2) \ge | |S_1| - |S_2| |</tex>
 
* <tex>\rm{d}(S_1,S_2) \le max( |S_1| , |S_2| )</tex>
 
* <tex>\rm{d}(S_1,S_2) = 0 \Leftrightarrow S_1 = S_2</tex>
 
где <tex>\rm{d}(S_1,S_2)</tex> — расстояние Левенштейна между строками <tex>S_1</tex> и <tex>S_2</tex>, а |S| - длина строки S.
 
 
 
== Разные цены операций ==
 
 
 
Цены операций могут зависеть от вида операции (вставка, удаление, замена) и/или от участвующих в ней символов, отражая разную вероятность разных ошибок при вводе текста, и т. п. В общем случае:
 
* w(a, b) — цена замены символа a на символ b
 
* w(ε, b) — цена вставки символа b
 
* w(a, ε) — цена удаления символа a
 
 
 
Для решения задачи о редакционном расстоянии, необходимо найти последовательность замен, минимизирующую суммарную цену. Расстояние Левенштейна является частным случаем этой задачи при
 
* w(a, а) = 0
 
* w(a, b) = 1 при a≠b
 
* w(ε, b) = 1
 
* w(a, ε) = 1
 
 
 
Как частный случай, так и задачу для произвольных w, решает алгоритм Вагнера — Фишера, приведённый ниже. Здесь и ниже мы считаем, что все w неотрицательны, и действует правило треугольника: если две последовательные операции можно заменить одной, это не ухудшает общую цену (например, заменить символ x на y, а потом с y на z не лучше, чем сразу x на z).
 
 
 
 
 
== Формула ==
 
 
 
Будем считать, что элементы строк нумеруются с первого, как принято в математике, а не нулевого.
 
 
 
Пусть <tex>S_1</tex> и <tex>S_2</tex> — две строки (длиной <tex>M</tex> и <tex>N</tex> соответственно) над некоторым алфавитом, тогда редакционное расстояние <tex>\rm{d}(S_1, S_2)</tex> можно подсчитать по следующей рекуррентной формуле:
 
 
 
<tex>\ \rm{d}(S_1, S_2) = \rm{D}(M,N)</tex> , где
 
 
 
<tex>\rm{D}(i, j) = \left\{\begin{array}{llcl}
 
0&&;&i = 0,\ j = 0\\
 
i&&;&j = 0,\ i > 0\\
 
j&&;&i = 0,\ j > 0\\
 
D(i - 1, j - 1)&&;&S_1[i] = S_2[j]\\
 
\rm{min}(\\
 
&\rm{D}(i, j - 1) + insertCost\\
 
&\rm{D}(i - 1, j) + deleteCost&;&j > 0,\ i > 0,\ S_1[i] <> S_2[j]\\
 
&\rm{D}(i - 1, j - 1) + replaceCost\\
 
)
 
\end{array}\right.
 
</tex>,
 
 
 
где <tex>\rm{m}(a,b)</tex> равна нулю, если <tex>a = b</tex> и цену операции замены в противном случае; <tex>\min(a, b, c)</tex> возвращает наименьший из аргументов, w1 — цена вставки символа, w2 — цена удаления символа.
 
 
 
=== Доказательство ===
 
 
 
Рассмотрим формулу более подробно. Здесь <tex>D(i, j)</tex> — расстояние между префиксами строк: первыми i символами строки <tex>S_1</tex> и первыми j символами строки <tex>S_2</tex>. Очевидно, что редакционное расстояние между двумя пустыми строками равно нулю. Так же очевидно то, что чтобы получить пустую строку из строки длиной <tex>i</tex>, нужно совершить <tex>i</tex> операций удаления, а чтобы получить строку длиной <tex>j</tex> из пустой, нужно произвести <tex>j</tex> операций вставки. Осталось рассмотреть нетривиальный случай, когда обе строки непусты.
 
 
 
Для начала заметим, что в оптимальной последовательности операций, их можно произвольно менять местами. В самом деле, рассмотрим две последовательные операции:
 
* Две замены одного и того же символа — неоптимально (если мы заменили x на y, потом y на z, выгоднее было сразу заменить x на z).
 
* Две замены разных символов можно менять местами
 
* Два стирания или две вставки можно менять местами
 
* Вставка символа с его последующим стиранием — неоптимально (можно их обе отменить)
 
* Стирание и вставку разных символов можно менять местами
 
* Вставка символа с его последующей заменой — неоптимально (излишняя замена)
 
* Вставка символа и замена другого символа меняются местами
 
* Замена символа с его последующим стиранием — неоптимально (излишняя замена)
 
* Стирание символа и замена другого символа меняются местами
 
 
 
Пускай <tex>S_1</tex> кончается на символ «a», <tex>S_2</tex> кончается на символ «b». Есть три варианта:
 
# Символ «а», на который кончается <tex>S_1</tex>, в какой-то момент был стёрт. Сделаем это стирание первой операцией. Тогда мы стёрли символ «a», после чего превратили первые <tex>i-1</tex> символов <tex>S_1</tex> в <tex>S_2</tex> (на что потребовалось <tex>D(i-1,\ j)</tex> операций), значит, всего потребовалось <tex>D(i-1,\ j)+1</tex> операций
 
# Символ «b», на который кончается <tex>S_2</tex>, в какой-то момент был добавлен. Сделаем это добавление последней операцией. Мы превратили <tex>S_1</tex> в первые <tex>j-1</tex> символов <tex>S_2</tex>, после чего добавили «b». Аналогично предыдущему случаю, потребовалось <tex>D(i,\ j-1)+1</tex> операций.
 
# Оба предыдущих утверждения неверны. Если мы добавляли символы справа от финального «a», то чтобы сделать последним символом «b», мы должны были или в какой-то момент добавить его (но тогда утверждение 2 было бы верно), либо заменить на него один из этих добавленных символов (что тоже невозможно, потому что добавление символа с его последующей заменой неоптимально). Значит, символов справа от финального «a» мы не добавляли. Самого финального «a» мы не стирали, поскольку утверждение 1 неверно. Значит, единственный способ изменения последнего символа — его замена. Заменять его 2 или больше раз неоптимально. Значит,
 
## Если <tex>a=b</tex>, мы последний символ не меняли. Поскольку мы его также не стирали и не приписывали ничего справа от него, он не влиял на наши действия, и, значит, мы выполнили <tex>D(i-1,\ j-1)</tex> операций.
 
## Если <tex>a\ne b</tex>, мы последний символ меняли один раз. Сделаем эту замену первой. В дальнейшем, аналогично предыдущему случаю, мы должны выполнить <tex>D(i-1,\ j-1)</tex> операций, значит, всего потребуется <tex>D(i-1,\ j-1)+1</tex> операций.
 
 
 
== Алгоритм Вагнера — Фишера ==
 
 
 
Для нахождения кратчайшего расстояния необходимо вычислить матрицу D, используя [[#Формула|вышеприведённую формулу]]. Её можно вычислять как по строкам, так и по столбцам.
 
Псевдокод алгоритма, написанный при произвольных ценах замен, вставок и удалений (важно помнить, что элементы нумеруются с 1):
 
<code>
 
D(0,0) = 0
 
для всех j от 1 до N
 
  D(0,j) = D(0,j-1) + цена вставки символа S2[j]
 
для всех i от 1 до M
 
  D(i,0) = D(i-1,0) + цена удаления символа S1[i]
 
  для всех j от 1 до N
 
    D(i,j) = min(
 
        D(i-1, j) + цена удаления символа S1[i],
 
        D(i, j-1) + цена вставки символа S2[j],
 
        D(i-1, j-1) + цена замены символа S1[i] на символ S2[j]
 
    )
 
вернуть D(M,N)
 
</code>
 
 
 
=== Память ===
 
 
 
Алгоритм в виде, описанном выше, требует <tex>\Theta(M \cdot N)</tex> операций и такую же память, однако, если требуется только расстояние, легко уменьшить требуемую память до <tex>\Theta(\min(M,N))</tex>. Для этого надо учесть, что после вычисления любой строки предыдущая строка больше не нужна. Более того, после вычисления D(i, j) не нужны также D(i-1,0) … D(i-1,j-1). Поэтому алгоритм можно переписать как
 
<code>
 
для всех i от 0 до M
 
  для всех j от 0 до N
 
    вычислить D(i, j)
 
    если i>0 и j>0
 
      стереть D(i-1, j-1)
 
вернуть D(M, N)
 
</code>
 
 
 
== Редакционное предписание ==
 
 
 
''Редакционным предписанием'' называется последовательность действий, необходимых для получения из первой строки второй кратчайшим образом. Обычно действия обозначаются так: '''D''' (англ. delete) — удалить, '''I''' (англ. insert) — вставить, '''R''' (англ. replace) — заменить, '''M''' (англ. match) — совпадение.
 
 
 
Например, для 2-х строк «hell123» и «hello214» можно построить следующую таблицу преобразований:
 
{| class="wikitable" border = "1"
 
!'''M''' ||'''M''' ||'''M''' ||'''M''' ||'''R''' ||'''M''' ||'''R''' ||'''I'''
 
|-
 
|'''h''' ||'''e''' ||'''l''' ||'''l''' ||'''1''' ||'''2''' ||'''3''' ||
 
|-
 
|'''h''' ||'''e''' ||'''l''' ||'''l''' ||'''o''' ||'''2''' ||'''1''' ||'''4'''
 
|}
 
 
 
== Код получения редакционного предписания ==
 
Функция '''distance''' принимает две строки '''s1''', '''s2''' и возвращает последовательность действий, необходимых для получения из первой строки второй кратчайшим образом.
 
 
 
'''a''' - цена вставки символа,
 
'''b''' - цена удаления символа,
 
'''c''' - цена замены символа
 
 
 
function distance(s1, s2: longint): string;
 
begin
 
  n = length(s1);
 
  m = length(s2);
 
  for i = 1 to n do d[0, i] = i;
 
  for i = 1 to m do d[i, 0] = i;
 
  for i = 1 to n do for j = 1 to m do
 
    if s1[i] == s2[j] then
 
    begin
 
      d[i, j] = d[i - 1, j - 1];
 
      p[i, j].x = i - 1;
 
      p[i, j].y = j - 1;
 
    end else
 
    begin
 
      if (d[i - 1, j] + a <= d[i, j - 1] + b) and (d[i - 1, j] + a <= d[i - 1, j - 1] + c) then
 
      begin
 
        d[i, j] = d[i - 1, j] +a;
 
        p[i, j].x = i - 1;
 
        p[i, j].y = j;
 
      end;
 
      if (d[i, j - 1] + b <= d[i - 1, j] + a)and (d[i, j - 1] + b <= d[i - 1, j - 1] + c) then
 
      begin
 
        d[i, j] = d[i, j - 1] +b;
 
        p[i, j].x = i;
 
        p[i, j].y = j - 1;
 
        end;
 
      if (d[i - 1, j - 1] + c <= d[i, j - 1] + b) and (d[i - 1, j - 1]  + c <= d[i - 1, j] + a) then
 
      begin
 
        d[i, j] = d[i - 1, j - 1] + c;
 
        p[i, j].x = i - 1;
 
        p[i, j].y = j - 1;
 
      end;
 
    end;
 
  x = n;
 
  y = m;
 
  while (x > 0) and (y > 0) do
 
  begin
 
    if p[x, y].x - x == 0 then s = 'D' + s else
 
    if p[x, y].y - y == 0 then s = 'I' + s else
 
    if s1[x] == s2[y] then s = 'M' + s else s = 'R' + s;
 
    x = p[x, y].x;
 
    y = p[x, y].y;
 
  end;
 
  distance = s;
 
end;
 
 
 
== Литература ==
 
[http://en.wikipedia.org/wiki/Levenshtein_distance Wikipedia - Levenshtein distance]
 
 
 
Романовский И.В. "Дискретный анализ". Третье издание. Стр. 103 - 105
 
 
 
[[Категория:Дискретная математика и алгоритмы]]
 
[[Категория:Динамическое программирование]]
 

Текущая версия на 04:02, 3 февраля 2012