在 R 中两个句子之间的距离:Word-level 按最小编辑距离比较

In R distance between two sentences: Word-level comparison by minimum edit distance

在尝试学习 R 时,我想在 R 中实现以下算法。请考虑以下两个列表:

List 1: "crashed", "red", "car"
List 2: "crashed", "blue", "bus"

我想知道将 'list1' 转换为 'list2' 需要多少次操作。 如您所见,我只需要执行两个操作: 1. Replace "red" with "blue". 2. Replace "car" with "bus".

但是,我们如何才能自动找到这样的操作次数。 我们可以有几个动作来转换句子:添加、删除或替换列表中的单词。 现在,我将尽力解释算法应该如何工作:

第一步:我将像这样创建一个 table:

行:i= 0,1,2,3, 列:j = 0,1,2,3

(example: value[0,0] = 0 , value[0, 1] = 1 ...)

                 crashed    red     car
         0          1        2       3

crashed  1
blue     2
bus      3

现在,我将尝试填写table。请注意,table 中的每个单元格都显示了我们需要执行的操作数来重新格式化句子(添加、删除或替换)。 考虑 "crashed" 和 "crashed" (value[1,1]) 之间的交互,显然我们不需要改变它所以 value将是 '0'。 因为它们是相同的词。基本上,我们得到了对角线值 = value[0,0]

                 crashed    red     car
         0          1        2       3

crashed  1          0
blue     2
bus      3

现在,考虑 "crashed" 和句子的第二部分 "red"。由于它们不是同一个词,我们可以像这样计算更改次数:

min{value[0,1] , value[0,2] and value[1,1]} + 1 
min{ 1, 2, 0} + 1 = 1 

因此,我们只需要删除 "red"。 因此,table 将如下所示:

                 crashed    red     car
         0          1        2       3

crashed  1          0        1
blue     2  
bus      3

我们将继续这样: "crashed" 和 "car" 将是:

min{value[0,3], value[0,2] and value[1,2]} + 1 
min{3, 2, 1} +1 = 2

而 table 将是:

                 crashed    red     car
         0          1        2       3

crashed  1          0        1       2
blue     2  
bus      3

我们将继续这样做。最终结果将是:

             crashed    red     car
         0      1        2       3

crashed  1      0        1       2
blue     2      1        1       2
bus      3      2        2       2 

如你所见,table 中的最后一个数字显示了两个句子之间的距离:value[3,3] = 2

基本上,算法应该是这样的:

 if (characters_in_header_of_matrix[i]==characters_in_column_of_matrix [j] & 
                                            value[i,j] == value[i+1][j-1] )

then {get the 'DIAGONAL VALUE' #diagonal value= value[i, j-1]}

else{
value[i,j] = min(value[i-1, j], value[i-1, j-1],  value[i, j-1]) + 1
 }
  endif

为了找到您可以在 header 和矩阵列中看到的两个列表的元素之间的差异,我使用了 strcmp() 函数,它将为我们提供一个布尔值(真或假)同时比较单词。但是,我未能实现这一点。 感谢您对此提供帮助,谢谢。

问题

经过之前post的一些澄清,以及post的更新后,我的理解是零在问:'how one can iteratively count the number of word differences in two strings'。

我不知道 R 中有任何实现,但如果我不存在我会感到惊讶。我花了一些时间来创建一个简单的实现,为简单起见稍微改变了算法(对于任何不感兴趣的人,请向下滚动 2 个实现,1 个在纯 R 中,一个使用最少的 Rcpp)。实现的总体思路:

  1. 初始化 string_1string_2 长度 n_1n_2
  2. 计算前min(n_1, n_2)个元素的累积差,
  3. 用这个累积差作为矩阵中的对角线
  4. 将第一个非对角线元素设置为第一个元素 + 1
  5. 计算剩余的非对角线元素为:diag(i) - diag(i-1) + full_matrix(i-1,j)
  6. 在前面的步骤中,i 遍历对角线,j 遍历 rows/columns(两者都有效),我们从第三个对角线开始,因为第一个 2x2 矩阵在步骤 1 到 4
  7. 将剩余的 abs(n_1 - n_2) 个元素计算为 full_matrix[,min(n_1 - n_2)] + 1:abs(n_1 - n_2),将后者应用于先验中的每个值,并将它们适当地绑定到 full_matrix。

输出是一个矩阵,其中包含相应字符串的行名称和列名称维度,为了便于阅读,已对其进行了格式化。

R 中的实现

Dist_between_strings <- function(x, y, 
                                 split = " ", 
                                 split_x = split, split_y = split, 
                                 case_sensitive = TRUE){
  #Safety checks
  if(!is.character(x) || !is.character(y) || 
     nchar(x) == 0 || nchar(y) == 0)
    stop("x, y needs to be none empty character strings.")
  if(length(x) != 1 || length(y) != 1)
    stop("Currency the function is not vectorized, please provide the strings individually or use lapply.")
  if(!is.logical(case_sensitive))
    stop("case_sensitivity needs to be logical")
  #Extract variable names of our variables
  # used for the dimension names later on
  x_name <- deparse(substitute(x))
  y_name <- deparse(substitute(y))
  #Expression which when evaluated will name our output
  dimname_expression <- 
    parse(text = paste0("dimnames(output) <- list(",make.names(x_name, unique = TRUE)," = x_names,",
                        make.names(y_name, unique = TRUE)," = y_names)"))
  #split the strings into words
  x_names <- str_split(x, split_x, simplify = TRUE)
  y_names <- str_split(y, split_y, simplify = TRUE)
  #are we case_sensitive?
  if(isTRUE(case_sensitive)){
    x_split <- str_split(tolower(x), split_x, simplify = TRUE)
    y_split <- str_split(tolower(y), split_y, simplify = TRUE)
  }else{
    x_split <- x_names
    y_split <- y_names
  }
  #Create an index in case the two are of different length
  idx <- seq(1, (n_min <- min((nx <- length(x_split)),
                              (ny <- length(y_split)))))
  n_max <- max(nx, ny)
  #If we have one string that has length 1, the output is simplified
  if(n_min == 1){ 
    distances <- seq(1, n_max) - (x_split[idx] == y_split[idx])
    output <- matrix(distances, nrow = nx)
    eval(dimname_expression)
    return(output)
  }
  #If not we will have to do a bit of work
  output <- diag(cumsum(ifelse(x_split[idx] == y_split[idx], 0, 1)))
  #The loop will fill in the off_diagonal
  output[2, 1] <- output[1, 2] <- output[1, 1] + 1 
  if(n_max > 2)
    for(i in 3:n_min){
      for(j in 1:(i - 1)){
        output[i,j] <- output[j,i] <- output[i,i] - output[i - 1, i - 1] + #are the words different?
          output[i - 1, j] #How many words were different before?
      }
    }
  #comparison if the list is not of the same size
  if(nx != ny){
    #Add the remaining words to the side that does not contain this
    additional_words <- seq(1, n_max - n_min)
    additional_words <- sapply(additional_words, function(x) x + output[,n_min])
    #merge the additional words
    if(nx > ny)
      output <- rbind(output, t(additional_words))
    else
      output <- cbind(output, additional_words)
  }
  #set the dimension names, 
  # I would like the original variable names to be displayed, as such i create an expression and evaluate it
  eval(dimname_expression)
  output
}

请注意,该实现不是矢量化的,因此只能接受单个字符串输入!

测试实施

要测试实现,可以使用给定的字符串。由于据说它们包含在列表中,我们必须将它们转换为字符串。请注意,该函数允许以不同方式拆分每个字符串,但它假定 space 分隔字符串。因此,首先我将展示如何转换为正确的格式:

list_1 <- list("crashed","red","car")
list_2 <- list("crashed","blue","bus")
string_1 <- paste(list_1,collapse = " ")
string_2 <- paste(list_2,collapse = " ")
Dist_between_strings(string_1, string_2)

输出

#Strings in the given example
         string_2
string_1  crashed blue bus
  crashed       0    1   2
  red           1    1   2
  car           2    2   2

这不完全是输出,但它会产生相同的信息,因为单词的顺序与它们在字符串中给出的顺序相同。 更多示例 现在我说它也适用于其他字符串,这确实是事实,所以让我们尝试一些随机的用户制作的字符串:

#More complicated strings
string_3 <- "I am not a blue whale"
string_4 <- "I am a cat"
string_5 <- "I am a beautiful flower power girl with monster wings"
string_6 <- "Hello"
Dist_between_strings(string_3, string_4, case_sensitive = TRUE)
Dist_between_strings(string_3, string_5, case_sensitive = TRUE)
Dist_between_strings(string_4, string_5, case_sensitive = TRUE)
Dist_between_strings(string_6, string_5)

运行 这些表明它们确实产生了正确的答案。请注意,如果任一字符串的大小为 1,则比较速度会快得多。

对实施进行基准测试

现在,由于实现被接受并且正确,我们想知道它的性能如何(对于不感兴趣的人 reader,可以滚动到此部分,到提供更快实现的地方)。为此,我将使用更大的字符串。对于一个完整的基准测试,我应该测试各种字符串大小,但出于目的,我将只使用 2 个相当大的字符串,大小为 1000 和 2500。为此,我使用 R 中的 microbenchmark 包,其中包含一个 microbenchmark 函数,它声称精确到纳秒。该函数本身执行代码 100(或用户定义)次,返回 运行 次的平均值和四分位数。由于 R 的其他部分(例如垃圾清理器),中位数通常被认为是对函数实际平均 运行 时间的良好估计。 执行结果如下图:

#Benchmarks for larger strings
set.seed(1)
string_7 <- paste(sample(LETTERS,1000,replace = TRUE), collapse = " ")
string_8 <- paste(sample(LETTERS,2500,replace = TRUE), collapse = " ")
microbenchmark::microbenchmark(String_Comparison = Dist_between_strings(string_7, string_8, case_sensitive = FALSE))
# Unit: milliseconds
# expr                   min      lq      mean   median       uq      max neval
# String_Comparison 716.5703 729.4458 816.1161 763.5452 888.1231 1106.959   100

分析

现在我发现 运行-times 非常慢。实施的一个用例可能是对学生上交的初步检查以检查是否存在抄袭,在这种情况下,低差异计数很可能表明存在抄袭。这些可能很长,可能有数百个提交,因此我希望 运行 非常快。 为了弄清楚如何改进我的实现,我使用了 profvis 包和对应的 profvis 函数。为了分析我在另一个 R 脚本中导出的函数,我来源,运行 在分析之前对代码 1 进行一次编译以编译代码并避免分析噪声 (重要) . 运行 分析的代码如下所示,输出的最重要部分在其下方的图像中可视化。

library(profvis)
profvis(Dist_between_strings(string_7, string_8, case_sensitive = FALSE))

现在,尽管有颜色,但我可以在这里看到一个明显的问题。到目前为止,填充非对角线的循环占了大部分 运行 时间。 R(像 python 和其他非编译语言)循环是出了名的慢。

使用 Rcpp 提高性能

为了改进实现,我们可以使用 Rcpp 包在 c++ 中实现循环。这个比较简单。如果我们避免迭代器,该代码与我们在 R 中使用的代码没有什么不同。可以在文件->新建文件->c++文件中创建c++脚本。以下 C++ 代码将被粘贴到相应的文件中,并使用源代码按钮获取源代码。

//Rcpp Code
#include <Rcpp.h>
using namespace Rcpp;

// [[Rcpp::export]]
NumericMatrix Cpp_String_difference_outer_diag(NumericMatrix output){
  long nrow = output.nrow();
  for(long i = 2; i < nrow; i++){ // note the 
    for(long j = 0; j < i; j++){
      output(i, j) = output(i, i) - output(i - 1, i - 1) + //are the words different?
                                  output(i - 1, j);
      output(j, i) = output(i, j);
    }
  }
  return output;
}

需要更改相应的 R 函数以使用此函数而不是循环。代码与第一个函数类似,只是将循环切换为调用c++函数。

Dist_between_strings_cpp <- function(x, y, 
                                 split = " ", 
                                 split_x = split, split_y = split, 
                                 case_sensitive = TRUE){
  #Safety checks
  if(!is.character(x) || !is.character(y) || 
     nchar(x) == 0 || nchar(y) == 0)
    stop("x, y needs to be none empty character strings.")
  if(length(x) != 1 || length(y) != 1)
    stop("Currency the function is not vectorized, please provide the strings individually or use lapply.")
  if(!is.logical(case_sensitive))
    stop("case_sensitivity needs to be logical")
  #Extract variable names of our variables
  # used for the dimension names later on
  x_name <- deparse(substitute(x))
  y_name <- deparse(substitute(y))
  #Expression which when evaluated will name our output
  dimname_expression <- 
    parse(text = paste0("dimnames(output) <- list(", make.names(x_name, unique = TRUE)," = x_names,",
                        make.names(y_name, unique = TRUE)," = y_names)"))
  #split the strings into words
  x_names <- str_split(x, split_x, simplify = TRUE)
  y_names <- str_split(y, split_y, simplify = TRUE)
  #are we case_sensitive?
  if(isTRUE(case_sensitive)){
    x_split <- str_split(tolower(x), split_x, simplify = TRUE)
    y_split <- str_split(tolower(y), split_y, simplify = TRUE)
  }else{
    x_split <- x_names
    y_split <- y_names
  }
  #Create an index in case the two are of different length
  idx <- seq(1, (n_min <- min((nx <- length(x_split)),
                              (ny <- length(y_split)))))
  n_max <- max(nx, ny)
  #If we have one string that has length 1, the output is simplified
  if(n_min == 1){ 
    distances <- seq(1, n_max) - (x_split[idx] == y_split[idx])
    output <- matrix(distances, nrow = nx)
    eval(dimname_expression)
    return(output)
  }
  #If not we will have to do a bit of work
  output <- diag(cumsum(ifelse(x_split[idx] == y_split[idx], 0, 1)))
  #The loop will fill in the off_diagonal
  output[2, 1] <- output[1, 2] <- output[1, 1] + 1 
  if(n_max > 2) 
    output <- Cpp_String_difference_outer_diag(output) #Execute the c++ code
  #comparison if the list is not of the same size
  if(nx != ny){
    #Add the remaining words to the side that does not contain this
    additional_words <- seq(1, n_max - n_min)
    additional_words <- sapply(additional_words, function(x) x + output[,n_min])
    #merge the additional words
    if(nx > ny)
      output <- rbind(output, t(additional_words))
    else
      output <- cbind(output, additional_words)
  }
  #set the dimension names, 
  # I would like the original variable names to be displayed, as such i create an expression and evaluate it
  eval(dimname_expression)
  output
}

测试 C++ 实现

为确保实现正确,我们检查是否使用 C++ 实现获得了相同的输出。

#Test the cpp implementation
identical(Dist_between_strings(string_3, string_4, case_sensitive = TRUE),
          Dist_between_strings_cpp(string_3, string_4, case_sensitive = TRUE))
#TRUE

最终基准

这真的更快吗?为了看到这一点,我们可以 运行 使用 microbenchmark 包的另一个基准。代码和结果如下图:

#Final microbenchmarking
microbenchmark::microbenchmark(R = Dist_between_strings(string_7, string_8, case_sensitive = FALSE),
                               Rcpp = Dist_between_strings_cpp(string_7, string_8, case_sensitive = FALSE))
# Unit: milliseconds
# expr       min       lq      mean    median        uq       max neval
# R    721.71899 753.6992 850.21045 787.26555 907.06919 1756.7574   100
# Rcpp  23.90164  32.9145  54.37215  37.28216  47.88256  243.6572   100

从大约 21 ( = 787 / 37) 的微基准测试中值改进因子来看,这是仅实施单个循环的巨大改进!

我们可以利用 R 中已有的编辑距离函数:adist()

由于它在字符级别上起作用,我们必须为句子中的每个唯一单词分配一个字符,并将它们拼接在一起形成伪词,我们可以计算它们之间的距离。

s1 <- c("crashed", "red", "car")
s2 <- c("crashed", "blue", "bus")

ll <- list(s1, s2)

alnum <- c(letters, LETTERS, 0:9)

ll2 <- relist(alnum[factor(unlist(ll))], ll)

ll2 <- sapply(ll2, paste, collapse="")

adist(ll2)
#      [,1] [,2]
# [1,]    0    2
# [2,]    2    0

据我所知,这里的主要限制是可用的唯一字符数,在本例中为 62,但可以很容易地扩展,具体取决于您的语言环境。例如:intToUtf8(c(32:126, 161:300), TRUE).