13.6. 编辑距离问题¶
+编辑距离,也被称为 Levenshtein 距离,是两个字符串之间互相转换的最小修改次数,通常用于在信息检索和自然语言处理中度量两个序列的相似度。
+Question
+输入两个字符串 \(s\) 和 \(t\) ,返回将 \(s\) 转换为 \(t\) 所需的最少编辑步数。
+你可以在一个字符串中进行三种编辑操作:插入一个字符、删除一个字符、替换字符为任意一个字符。
+如下图所示,将 kitten
转换为 sitting
需要编辑 3 步,包括 2 次替换操作与 1 次添加操作;将 hello
转换为 algo
需要 3 步,包括 2 次替换操作和 1 次删除操作。
Fig. 编辑距离的示例数据
+ +编辑距离问题可以很自然地用决策树模型来解释。字符串对应树节点,一轮决策(一次编辑操作)对应树的一条边。
+如下图所示,在不限制操作的情况下,每个节点都可以派生出许多条边,每条边对应一种操作。实际上,从 hello
转换到 algo
有许多种可能的路径,下图展示的是最短路径。从决策树的角度看,本题目标是求解节点 hello
和节点 algo
之间的最短路径。
Fig. 基于决策树模型表示编辑距离问题
+ +第一步:思考每轮的决策,定义状态,从而得到 \(dp\) 表
+每一轮的决策是对字符串 \(s\) 进行一次编辑操作。
+我们希望在编辑操作的过程中,问题的规模逐渐缩小,这样才能构建子问题。设字符串 \(s\) 和 \(t\) 的长度分别为 \(n\) 和 \(m\) ,我们先考虑两字符串尾部的字符 \(s[n-1]\) 和 \(t[m-1]\) :
+-
+
- 若 \(s[n-1]\) 和 \(t[m-1]\) 相同,我们可以直接跳过它们,接下来考虑 \(s[n-2]\) 和 \(t[m-2]\) ; +
- 若 \(s[n-1]\) 和 \(t[m-1]\) 不同,我们需要对 \(s\) 进行一次编辑(插入、删除、替换),使得两字符串尾部的字符相同,从而可以跳过它们,考虑规模更小的问题; +
也就是说,我们在字符串 \(s\) 中进行的每一轮决策(编辑操作),都会使得 \(s\) 和 \(t\) 中剩余的待匹配字符发生变化。因此,状态定义为当前在 \(s\) , \(t\) 中考虑的第 \(i\) , \(j\) 个字符,记为 \([i, j]\) 。
+状态 \([i, j]\) 对应的子问题:将 \(s\) 的前 \(i\) 个字符更改为 \(t\) 的前 \(j\) 个字符所需的最少编辑步数。
+至此得到一个尺寸为 \((i+1) \times (j+1)\) 的二维 \(dp\) 表。
+第二步:找出最优子结构,进而推导出状态转移方程
+考虑子问题 \(dp[i, j]\) ,其对应的两个字符串的尾部字符为 \(s[i-1]\) 和 \(t[j-1]\) ,可根据不同编辑操作分为三种情况:
+-
+
- 在 \(s\) 尾部添加 \(t[j-1]\) ,则剩余子问题 \(dp[i, j-1]\) ; +
- 删除 \(s[i-1]\) ,则剩余子问题 \(dp[i-1, j]\) ; +
- 将 \(s[i-1]\) 替换为 \(t[j-1]\) ,则剩余子问题 \(dp[i-1, j-1]\) ; +
Fig. 编辑距离的状态转移
+ +根据以上分析,可得最优子结构:\(dp[i, j]\) 的最少编辑步数等于 \(dp[i, j-1]\) , \(dp[i-1, j]\) , \(dp[i-1, j-1]\) 三者中的最少编辑步数,再加上本次编辑的步数 \(1\) 。对应的状态转移方程为:
+请注意,当 \(s[i-1]\) 和 \(t[j-1]\) 相同时,无需编辑当前字符,此时状态转移方程为:
+第三步:确定边界条件和状态转移顺序
+当两字符串都为空时,编辑步数为 \(0\) ,即 \(dp[0, 0] = 0\) 。当 \(s\) 为空但 \(t\) 不为空时,最少编辑步数等于 \(t\) 的长度,即 \(dp[0, j] = j\) 。当 \(s\) 不为空但 \(t\) 为空时,等于 \(s\) 的长度,即 \(dp[i, 0] = i\) 。
+观察状态转移方程,解 \(dp[i, j]\) 依赖左方、上方、左上方的解,因此通过两层循环正序遍历整个 \(dp\) 表即可。
+/* 编辑距离:动态规划 */
+int editDistanceDP(String s, String t) {
+ int n = s.length(), m = t.length();
+ int[][] dp = new int[n + 1][m + 1];
+ // 状态转移:首行首列
+ for (int i = 1; i <= n; i++) {
+ dp[i][0] = i;
+ }
+ for (int j = 1; j <= m; j++) {
+ dp[0][j] = j;
+ }
+ // 状态转移:其余行列
+ for (int i = 1; i <= n; i++) {
+ for (int j = 1; j <= m; j++) {
+ if (s.charAt(i - 1) == t.charAt(j - 1)) {
+ // 若两字符相等,则直接跳过此两字符
+ dp[i][j] = dp[i - 1][j - 1];
+ } else {
+ // 最少编辑步数 = 插入、删除、替换这三种操作的最少编辑步数 + 1
+ dp[i][j] = Math.min(Math.min(dp[i][j - 1], dp[i - 1][j]), dp[i - 1][j - 1]) + 1;
+ }
+ }
+ }
+ return dp[n][m];
+}
+
/* 编辑距离:动态规划 */
+int editDistanceDP(string s, string t) {
+ int n = s.length(), m = t.length();
+ vector<vector<int>> dp(n + 1, vector<int>(m + 1, 0));
+ // 状态转移:首行首列
+ for (int i = 1; i <= n; i++) {
+ dp[i][0] = i;
+ }
+ for (int j = 1; j <= m; j++) {
+ dp[0][j] = j;
+ }
+ // 状态转移:其余行列
+ for (int i = 1; i <= n; i++) {
+ for (int j = 1; j <= m; j++) {
+ if (s[i - 1] == t[j - 1]) {
+ // 若两字符相等,则直接跳过此两字符
+ dp[i][j] = dp[i - 1][j - 1];
+ } else {
+ // 最少编辑步数 = 插入、删除、替换这三种操作的最少编辑步数 + 1
+ dp[i][j] = min(min(dp[i][j - 1], dp[i - 1][j]), dp[i - 1][j - 1]) + 1;
+ }
+ }
+ }
+ return dp[n][m];
+}
+
def edit_distance_dp(s: str, t: str) -> int:
+ """编辑距离:动态规划"""
+ n, m = len(s), len(t)
+ dp = [[0] * (m + 1) for _ in range(n + 1)]
+ # 状态转移:首行首列
+ for i in range(1, n + 1):
+ dp[i][0] = i
+ for j in range(1, m + 1):
+ dp[0][j] = j
+ # 状态转移:其余行列
+ for i in range(1, n + 1):
+ for j in range(1, m + 1):
+ if s[i - 1] == t[j - 1]:
+ # 若两字符相等,则直接跳过此两字符
+ dp[i][j] = dp[i - 1][j - 1]
+ else:
+ # 最少编辑步数 = 插入、删除、替换这三种操作的最少编辑步数 + 1
+ dp[i][j] = min(dp[i][j - 1], dp[i - 1][j], dp[i - 1][j - 1]) + 1
+ return dp[n][m]
+
如下图所示,编辑距离问题的状态转移过程与背包问题非常类似,都可以看作是填写一个二维网格的过程。
+下面考虑状态压缩,将 \(dp\) 表的第一维删除。由于 \(dp[i,j]\) 是由上方 \(dp[i-1, j]\) 、左方 \(dp[i, j-1]\) 、左上方状态 \(dp[i-1, j-1]\) 转移而来,而正序遍历会丢失左上方 \(dp[i-1, j-1]\) ,倒序遍历无法提前构建 \(dp[i, j-1]\) ,因此两种遍历顺序都不可取。
+为解决此问题,我们可以使用一个变量 leftup
来暂存左上方的解 \(dp[i-1, j-1]\) ,这样便只用考虑左方和上方的解,与完全背包问题的情况相同,可使用正序遍历。
/* 编辑距离:状态压缩后的动态规划 */
+int editDistanceDPComp(String s, String t) {
+ int n = s.length(), m = t.length();
+ int[] dp = new int[m + 1];
+ // 状态转移:首行
+ for (int j = 1; j <= m; j++) {
+ dp[j] = j;
+ }
+ // 状态转移:其余行
+ for (int i = 1; i <= n; i++) {
+ // 状态转移:首列
+ int leftup = dp[0]; // 暂存 dp[i-1, j-1]
+ dp[0] = i;
+ // 状态转移:其余列
+ for (int j = 1; j <= m; j++) {
+ int temp = dp[j];
+ if (s.charAt(i - 1) == t.charAt(j - 1)) {
+ // 若两字符相等,则直接跳过此两字符
+ dp[j] = leftup;
+ } else {
+ // 最少编辑步数 = 插入、删除、替换这三种操作的最少编辑步数 + 1
+ dp[j] = Math.min(Math.min(dp[j - 1], dp[j]), leftup) + 1;
+ }
+ leftup = temp; // 更新为下一轮的 dp[i-1, j-1]
+ }
+ }
+ return dp[m];
+}
+
/* 编辑距离:状态压缩后的动态规划 */
+int editDistanceDPComp(string s, string t) {
+ int n = s.length(), m = t.length();
+ vector<int> dp(m + 1, 0);
+ // 状态转移:首行
+ for (int j = 1; j <= m; j++) {
+ dp[j] = j;
+ }
+ // 状态转移:其余行
+ for (int i = 1; i <= n; i++) {
+ // 状态转移:首列
+ int leftup = dp[0]; // 暂存 dp[i-1, j-1]
+ dp[0] = i;
+ // 状态转移:其余列
+ for (int j = 1; j <= m; j++) {
+ int temp = dp[j];
+ if (s[i - 1] == t[j - 1]) {
+ // 若两字符相等,则直接跳过此两字符
+ dp[j] = leftup;
+ } else {
+ // 最少编辑步数 = 插入、删除、替换这三种操作的最少编辑步数 + 1
+ dp[j] = min(min(dp[j - 1], dp[j]), leftup) + 1;
+ }
+ leftup = temp; // 更新为下一轮的 dp[i-1, j-1]
+ }
+ }
+ return dp[m];
+}
+
def edit_distance_dp_comp(s: str, t: str) -> int:
+ """编辑距离:状态压缩后的动态规划"""
+ n, m = len(s), len(t)
+ dp = [0] * (m + 1)
+ # 状态转移:首行
+ for j in range(1, m + 1):
+ dp[j] = j
+ # 状态转移:其余行
+ for i in range(1, n + 1):
+ # 状态转移:首列
+ leftup = dp[0] # 暂存 dp[i-1, j-1]
+ dp[0] += 1
+ # 状态转移:其余列
+ for j in range(1, m + 1):
+ temp = dp[j]
+ if s[i - 1] == t[j - 1]:
+ # 若两字符相等,则直接跳过此两字符
+ dp[j] = leftup
+ else:
+ # 最少编辑步数 = 插入、删除、替换这三种操作的最少编辑步数 + 1
+ dp[j] = min(dp[j - 1], dp[j], leftup) + 1
+ leftup = temp # 更新为下一轮的 dp[i-1, j-1]
+ return dp[m]
+