基于分割的字符串相似性查找算法

TP301; 字符串相似性查找问题主要包括两方面,基于阈值的字符串相似性查找以及top-k字符串相似性查找.目前处理基于阈值的字符串相似性查找问题的算法多是基于过滤-验证框架的.基于该框架提出了PB-search算法,算法在过滤阶段首次加入One-Off条件过滤掉大量的无效匹配,并在验证阶段提出了一种新的验证算法MultiThreshold算法,大大减少了计算编辑距离的次数.在top-k字符串相似性查找问题方面,提出了两种基于分割思想的算法,Pb-topk算法和PbCount-topk算法.其中,Pb-topk算法采用差值递增的策略,减少了需处理的字符串数目;PbCount-topk算法采用匹...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 12; no. 1; pp. 120 - 133
Main Authors 刘慧婷, 黄厚柱, 刘志中, 赵鹏
Format Journal Article
LanguageChinese
Published 安徽大学 计算机科学与技术学院,合肥,230601 2018
Subjects
字符串相似性查找
edit distance
partition
top-k
阈值
分割
string similarity search
编辑距离
threshold
Online AccessGet full text

Cover

More Information
Summary:TP301; 字符串相似性查找问题主要包括两方面,基于阈值的字符串相似性查找以及top-k字符串相似性查找.目前处理基于阈值的字符串相似性查找问题的算法多是基于过滤-验证框架的.基于该框架提出了PB-search算法,算法在过滤阶段首次加入One-Off条件过滤掉大量的无效匹配,并在验证阶段提出了一种新的验证算法MultiThreshold算法,大大减少了计算编辑距离的次数.在top-k字符串相似性查找问题方面,提出了两种基于分割思想的算法,Pb-topk算法和PbCount-topk算法.其中,Pb-topk算法采用差值递增的策略,减少了需处理的字符串数目;PbCount-topk算法采用匹配数目划分的策略,进一步缩小了候选集的规模.最后,通过在3个真实数据集上的实验结果,验证了提出算法的高效性.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.1609018