基于編輯距離的近似字符串匹配及其優(yōu)化技術.pdf

1、隨著計算機技術在各個領域的廣泛應用，信息量也在呈指數(shù)增長。在如此多的數(shù)據(jù)之中，由于各種各樣的原因，難免會存在一些錯誤。在眾多的數(shù)據(jù)類型中，文本數(shù)據(jù)是最常見也是最古老的類型之一。在文本數(shù)據(jù)上進行允許一定錯誤的匹配，即近似字符串匹配已經(jīng)應用于很多領域，例如數(shù)據(jù)清洗、實體識別、拼寫檢查、集合連接和Web搜索等。然而，近似字符串匹配在為用戶提供更強大、更全面的功能的同時也使得匹配處理過程及索引建立更加復雜。如何高效地進行近似字符串匹配至關重要。

2、
　　目前，已經(jīng)有大量工作致力于解決近似字符串匹配問題。其中大部分工作都是圍繞著基于編輯距離的近似字符串匹配進行的?；诰庉嬀嚯x的近似字符串匹配算法大多基于簽名，并采用索引結構來支持近似字符串匹配。在匹配的時候采用兩階段的方式，即過濾階段和驗證階段。過濾階段首先從索引結構中獲取可能與查詢字符串近似匹配的字符串的集合，然后通過各種過濾算法過濾掉一些不可能是結果的字符串從而生成候選集合。候選集合中包含了所有近似匹配的字符串和一些并不近

3、似匹配的字符串，所以需要在驗證階段對候選集合中的字符串逐一進行驗證以確定其是否真正近似匹配。
　　本文在現(xiàn)有工作的基礎之上將變長gram算法的思想和非對稱的定長chunk-gram算法的思想相結合提出了非對稱的變長chunk-gram算法，并對該算法的公共簽名數(shù)量的下限進行了分析。在變長chunk-gram算法的基礎之上，本文又提出了最優(yōu)的變長chunk算法，該算法對查詢字符串劃分最優(yōu)的τ+1個變長chunk，同時基于BWT提出了