基于离散特性的离散子串理论及算法.pdfVIP

基于离散特性的离散子串理论与算法 丁光耀 西南交通大学信息科学与技术学院，成都（610031 ） E-mail：gyding@ 摘 要：特性字符串匹配思想一文中，提出了基于三种特性的字符串匹配分类模型CMSMC ， 严格地将字符串匹配问题以及匹配方法分为八个分类模型。本文聚焦于其中之一的离散模型 的字符串匹配，详述了提出的离散子串理论以及一组离散子串匹配算法。离散子串是为表述 离散模型的理念而提出的新概念，是子串的外延拓展，又包含了子串。离散子串理论以及算 法，用于解决具有离散特性的字符串匹配问题。 关键词：信息检索，字符串匹配，离散模型，离散子串，离散特性 1．引言 [1] 特性字符串匹配思想 一文中，提出了基于三种特性的字符串匹配分类模型CMSMC， 严格地将字符串匹配问题分为八个分类模型。参见表1： 表 1 基于特性的字符串匹配分类模型CMSMC Table 1 Classification model of string matching based on characteristics 模型 三种特性 模型简称 离散 交叉 非完全 精确 0 0 0 E (Exact) 离散 D 0 0 D (Discrete) 交叉 0 C 0 C (Cross) 离散交叉 D C 0 DC (Discrete、Cross) 非完全 0 0 N N (Non complete) 离散非完全 D 0 N DN (Discrete、Non complete) 交叉非完全 0 C N CN (Cross 、Non complete) 离散交叉非完全 D C N DCN(Discrete、Cross 、Non complete) CMSMC 中的每一个分类模型，由于特性约束不同，各分类模型的匹配思想以及匹配方 法存在差异，直接影响到匹配效率，因此，有必要分别研究各分类模型。 特性字符串匹配思想，通过匹配关系的三种特性，更为本质地揭示了字符串匹配的内在 规律，错误因素是三种特性的外在表现。被广泛应用的子串匹配[4][5][6]，是离散数=0 、交叉 数=0、非完全数=0 的一种特殊表现形式，没有采用基于错误因素的匹配思路，符合精确模 型的理念。而其它分类模型涉及的匹配问题，过去的研究思路均与错误因素有关联。在特性 字符串匹配思想下，研究思路不是简单地将特性看成错误，因此，除精确模型之外的其它分 类模型，有必要重新认识、研究。 新的思想必然伴随着新的概念、新的认识、新的技术。特性字符串匹配思想的概念范畴 太广，本文聚焦于离散模型，对离散模型的概念、特点、匹配问题和匹配方法，进行深入细 致的分析和探讨。 2 ．离散子串定义及分析 离散模型代表了满足完全、有序、可离散的子字符序列。离散子串用于表述离散模型的 - 1 - 理念，表述文本与模式的匹配中，不允许交叉性、非完全性，但可离散地出现于文本中的子 字符序列。 2 ．1 离散子串定义 定义1：在有限字符集∑上，给定文本T=“T T ……T ” ，模式P=“P P ……P ”