Levenshtein ve Difflib benzerliğinin hızlı bir görsel karşılaştırmasıyla ilgileniyorsanız, her ikisini de ~ 2.3 milyon kitap başlığı için hesapladım:
import codecs, difflib, Levenshtein, distance
with codecs.open("titles.tsv","r","utf-8") as f:
title_list = f.read().split("\n")[:-1]
for row in title_list:
sr = row.lower().split("\t")
diffl = difflib.SequenceMatcher(None, sr[3], sr[4]).ratio()
lev = Levenshtein.ratio(sr[3], sr[4])
sor = 1 - distance.sorensen(sr[3], sr[4])
jac = 1 - distance.jaccard(sr[3], sr[4])
print diffl, lev, sor, jac
Daha sonra sonuçları R ile çizdim:
Kesinlikle merak edenler için Difflib, Levenshtein, Sørensen ve Jaccard benzerlik değerlerini de karşılaştırdım:
library(ggplot2)
require(GGally)
difflib <- read.table("similarity_measures.txt", sep = " ")
colnames(difflib) <- c("difflib", "levenshtein", "sorensen", "jaccard")
ggpairs(difflib)
Sonuç:
Difflib / Levenshtein benzerliği gerçekten oldukça ilginç.
2018 düzenlemesi: Benzer dizeleri belirlemeye çalışıyorsanız, minhashing'e de göz atabilirsiniz - burada harika bir genel bakış var . Minhashing, doğrusal zamanda büyük metin koleksiyonlarında benzerlikler bulmakta harika. Laboratuvarım, burada minhashing kullanarak metnin yeniden kullanımını algılayan ve görselleştiren bir uygulama oluşturdu: https://github.com/YaleDHLab/intertext