字符串前缀索引优化与相似性分析方法研究.pdfVIP

如果两个字符串相似度达到90%，则它们必须在

前缀享某个符号，该符号的长度略高于每个字

符串长度的10%。

因此，我们可以将索引基于长度为L的字符串的

前֫JL+1֬位置中的符号。

▪这是字符串的前缀。

L

xExtremecase:secondstringhas

noneofthefirstEsymbolsofthe

Ex

Mustbefirststring,buttheyagreethereafter.

Equal

Iftwostringsdonotshareanyofthe

firstEsymbols,thenJE/L.

Thus,E=JLispossible,butanylarger

Eisimpossible.IndexE+1positions.

L

x情况：第二个字符串没有第

一个字符串的前一个E符号，但

Ex

必须是它们一致。

的

如果两个字符串不共享任何前

E符号，则JE/L。

因此，E=JL是可能的，但任何更大

的E都是不可能的。索引E+1位置。

Thinkofabucketforeachpossiblesymbol.

EachstringoflengthLiscedinthebucket

foreachofitsfirst֫JL+1֬positions.

ABͲtreewithsymbolaskeyleadstothestrings.

为每个可能的符号考虑一个桶。

每个长度为L的字符串都被放置在桶中的第一

个֫JL+1֬位置。

以符号为键的BͲ树通向字符串。

GivenaprobestringsoflengthL,withJthe

limitonJaccarddistance:

for(eachsymbolaamongthe

first֫JL+1֬positionsofs)

lookforotherstringsin

thebucketfora;

给定长度为L的探测串s，其中J为杰卡德距离

的限制：

for（s的前֫JL+1֬位置中的每个符号a）在

bucket中寻找其他字符串a；

LetJ=0.2.

Stringabcdefisindexedunderaandb.

Stringacdfgisindexedunderaandc.

Stringbcdeisindexedonlyunderb.

Ifwesearchforstringssimilartocdef,weneed

lookonlyinthebucketforc.

令J=0.2。

字符串abcdef在a和b下建立索引。

字符串acdfg在a和c下建立索引。

字符串bcde仅在b下建立索引。

如果我们搜索类似于cdef的字符串，我们只

需在桶中查找c。