2つの文字列に一致しますが、ある程度のエラーを許容します

どうすれば2つの文字列を一致させることができますが、同時にX文字の文字が一致しない場合があります。エラー数は制御可能な変数である必要があります。

X個の文字が文字列内で一致することはできませんが、シーケンス内で実行される文字数には制限があります。2つの文字列が与えられた場合、5文字が異なることを許可する可能性がありますが、連続して2文字を超えることはできません。

私はこれらの2つの文字列を比較するための推奨アルゴリズムを探しています。または、これに対する既知の解決策がすでにあるかもしれません。

おおよその文字列検索の開始点は、レーベンシュタイン距離です。このアルゴリズムは、1つの単語を別の単語に変更するための単一文字の編集（挿入、削除、および置換）の数をカウントします。

この例はkitten-> sittingで、編集距離は3です。

1. k itten-> s itten（ 'k'を 's'に置き換えます）
2. sitt e n-> sitt i n（ 'e'を 'i'に置き換えます）
3. sittin-> sittin g（末尾に「g」を追加）

このアルゴリズムにはバリエーションがあり、特に、2つの隣接する文字の転置を可能にするDamerau–Levenshtein距離があります（「hte」から「the」へのDL距離は1で、レーベンシュタイン距離は2です）。スペルチェック。ギャップが重要なアプリケーション（DNAストリング）には、他にもバリエーションがあります。

レーベンシュタイン距離はよく知られており、見つけるのはそれほど難しくありません（以前は、Oracleの関数としてそれを実装する必要がありました-すべてのデータをプルダウンしてからクエリコード側を実行するよりもはるかに高速でした）。Rosettacodeには、レーベンシュタイン距離の多数（54）の実装があります（一部の言語では、これを文字列ライブラリの一部としてどこかに持っています-Javaを使用している場合は、apache commons langを見てください）。 ウィキブックスには31の実装があり、2つを一目見ただけでは同じ言語の同じコードが表示されません。

これが機能する方法は、2つの文字列間の関係に対応する行列を作成することです。

 .kitten
.0123456
s1123456
i2212345
t3321234
t4432123
i5543223
n6654332
g7765443

.行と列は、ただ"空の文字列から各文字を挿入することにより、ターゲット文字列に得ることができることを表しています。これは理想的なケースではありませんが、アルゴリズムをシードするためにあります。

値がそのスポットと同じである場合（ 'i' == 'i'）、値は左斜め上方向の値と同じです。2つのスポットが異なる場合（ 's'！= 'k'）、値は最小値です。

• 上斜め左+ 1（置換）
• + 1の真上（挿入）
• すぐ左+ 1（削除）

編集距離の戻り値は、マトリックスの右下にある値です。

右下から左上に最小値で進むと、編集が完了したことがわかります。

 .kitten
.0.   .
s.1   .
i  1  .
t   1 .
t    1.
i.....2
n      2
g......3

これはかなりメモリ集約的なアプローチであることに注意してください。完全な行列を作成しないことで、メモリスコープを減らすことができます-アルゴリズムが扱うのはデータのサブセットであり、前の行（および現在の行で計算されたもの）を格納するだけでN*M、2*max(N,M)スペースからスペースに減らすことができます行）。 コードプロジェクトは、これを行う方法を示しています（ダウンロードするC＃コードを使用）。