Задача о редакционном расстоянии — различия между версиями

Материал из Викиконспекты
Перейти к: навигация, поиск
(Редакционное предписание)
 
(не показано 38 промежуточных версий 3 участников)
Строка 1: Строка 1:
'''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.
+
#перенаправление [[Задача о редакционном расстоянии, алгоритм Вагнера-Фишера]]
 
 
 
 
== Свойства ==
 
 
 
Для расстояния Левенштейна справедливы следующие утверждения:
 
* <math>\rm{d}(S_1,S_2) \ge | |S_1| - |S_2| |</math>
 
* <math>\rm{d}(S_1,S_2) \le max( |S_1| , |S_2| )</math>
 
* <math>\rm{d}(S_1,S_2) = 0 \Leftrightarrow S_1 = S_2</math>
 
где <math>\rm{d}(S_1,S_2)</math> — расстояние Левенштейна между строками <math>S_1</math> и <math>S_2</math>, а |S| - длина строки S.
 
 
 
== 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'''
 
|}
 
 
 
 
 
=== 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 <math>S_1</math> и <math>S_2</math> — две строки (длиной <math>M</math> и <math>N</math> соответственно) над некоторым алфавитом, тогда редакционное расстояние <math>\rm{d}(S_1, S_2)</math> можно подсчитать по следующей рекуррентной формуле:
 
 
 
<math>\ \rm{d}(S_1, S_2) = \rm{D}(M,N)</math> , где
 
 
 
<math>\rm{D}(i, j) = \left\{\begin{array}{llcl}
 
0&&;&i = 0,\ j = 0\\
 
i&&;&j = 0,\ i > 0\\
 
j&&;&i = 0,\ j > 0\\
 
\rm{min}(\\
 
&\rm{D}(i, j - 1) + 1\\
 
&\rm{D}(i - 1, j) + 1&;&j > 0,\ i > 0\\
 
&\rm{D}(i - 1, j - 1) + \rm{m}(S_1[i], S_2[j])\\
 
)
 
\end{array}\right.
 
</math>,
 
 
 
где <math>\rm{m}(a,b)</math> равна нулю, если <math>a = b</math> и единице в противном случае; <math>\min(a, b, c)</math> возвращает наименьший из аргументов.
 
 
 
=== Доказательство ===
 
 
 
Рассмотрим формулу более подробно. Здесь <math>D(i, j)</math> — расстояние между префиксами строк: первыми i символами строки <math>S_1</math> и первыми j символами строки <math>S_2</math>. Очевидно, что редакционное расстояние между двумя пустыми строками равно нулю. Так же очевидно то, что чтобы получить пустую строку из строки длиной <math>i</math>, нужно совершить <math>i</math> операций удаления, а чтобы получить строку длиной <math>j</math> из пустой, нужно произвести <math>j</math> 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 <math>S_1</math> кончается на символ «a», <math>S_2</math> кончается на символ «b». Есть три варианта:
 
# Символ «а», на который кончается <math>S_1</math>, в какой-то момент был стёрт. Сделаем это стирание первой операцией. Тогда мы стёрли символ «a», после чего превратили первые <math>i-1</math> символов <math>S_1</math> в <math>S_2</math> (на что потребовалось <math>D(i-1,\ j)</math> операций), значит, всего потребовалось <math>D(i-1,\ j)+1</math> операций
 
# Символ «b», на который кончается <math>S_2</math>, в какой-то момент был добавлен. Сделаем это добавление последней операцией. Мы превратили <math>S_1</math> в первые <math>j-1</math> символов <math>S_2</math>, после чего добавили «b». Аналогично предыдущему случаю, потребовалось <math>D(i,\ j-1)+1</math> 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 <math>a=b</math>, 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 <math>D(i-1,\ j-1)</math> операций.
 
## Если <math>a\ne b</math>, мы последний символ меняли один раз. Сделаем эту замену первой. В дальнейшем, аналогично предыдущему случаю, мы должны выполнить <math>D(i-1,\ j-1)</math> операций, значит, всего потребуется <math>D(i-1,\ j-1)+1</math> операций.
 

Текущая версия на 04:02, 3 февраля 2012