C source code of "SIM" by Dick Grune : The software and text similarity tester SIM

Introduction to Algorithms: Text/HTML Similarity Algorithms

up

拷，见识了

等着学习

牛

给你ＭＡＲＫ

关注

Mark下,关注中

up

有想法，学习了

这个功能很实用，但是一直以来我也没实现，期望有人能给个解决方案

╔═╤═╤═╤═╤═╗
║注│匹│柔│本│有║
║　│配│性│书│次║
║　│》│字│，│看║
║　│，│符│叫│到║
║　│关│串│《│一║
╚═╧═╧═╧═╧═╝

等待高手现身中......

恩，我直接用Beyond Compare 2这个软件来进行文件比较的
楼主可以在网上找一下Beyond Compare 2的源码

UP

http://download.csdn.net/source/805540
给你找了个下载地址，你看哈

最简单就是拆字,可以定义你的最小单位,也就是拆字单位,然后对比两个字符串中的最小单位的相似数算出百分比.

这个很难搞的.

up

帮顶

因为有难度，所以集大家的力量一定能攻下这个难关，请高手过招

感谢muyebo ，我想的是实现这样的算法，不是这样的工具，这个工具可以参考一下，谢谢

等待高手出现

根据断句，字符排列顺序 做比较？ 

UP

mark

友情帮顶.

帮顶 顶 ！

严重关注事态发展

mark,

《编程之美》里有一个计算字符串相似度的问题分析，可能对你的问题有帮助

这个是个很难的问题，有个著名的KMP算法计算字符串匹配的，楼主可以研究下

using System;

using System.Collections.Generic;

using System.Text;



namespace kmp

{

    /// <summary>

    /// Summary description for Class1.

    /// </summary>

    class Class1

    {

        /// <summary>

        /// The main entry point for the application.

        /// </summary>

        static int[] next = new int[200];

        static int count = 0;

        [STAThread]

        static void Main(string[] args)

        {

            //

            // TODO: Add code to start application here

            //

            int pos = 0, reval;

            char[] p1 = @"近日，我国两艘海洋调查船前往钓鱼岛附近（海域）活动，却被日本海上保安厅巡逻舰强行驱离。日本方面就此大做文章，（各大媒体）网站都在显著位置报道称“中国海洋调查船入侵日本领海”。（日本政府也放出厥词宣称“尖阁诸岛(钓鱼岛)是日本的固有领土”。） ".ToCharArray();

            char[] p2 = @"近日，我国两艘海洋调查船前往钓鱼岛附近活动，却被日本海上保安厅巡逻舰强行驱离。日本方面就此大做文章，网站都在显著位置报道称“中国海洋调查船入侵日本领海”。".ToCharArray();

            Console.WriteLine("第一个文字段长度为{0},第二个文字段长度为{1}", p1.Length, p2.Length);

            get_goodnext(p2, next);

            reval = index_kmp(p1, p2, pos);

            Console.WriteLine("====this is good kmp ====");

            Console.WriteLine("value={0},count={1}", reval, count);

            Console.ReadLine();

        }

        static int index_kmp(char[] a, char[] b, int pos)

        {

            int i = pos, j = 0;

            int lena = a.Length, lenb = b.Length;

            count = 0;

            while ((i <= lena - 1) && (j <= lenb - 1))

            {

                if (j == -1 || a[i] == b[j])

                { ++i; ++j;count++; }

                else

                { j = next[j]; }

                

            }

            if (j > lenb - 1)

                return i - lenb;

            else

                return 0;

        }

        static void get_goodnext(char[] a, int[] next)

        {

            int i = 0, j = -1;

            next[0] = -1;

            while (i < a.Length - 1)

            {

                if (j == -1 || a[i] == a[j])

                {

                    ++i; ++j;

                    if (a[i] != a[j])

                    {

                        next[i] = j;

                    }

                    else

                    {

                        next[i] = next[j];

                    }

                }

                else

                { j = next[j]; }

            }

        }

    }

}

mark

楼主想看看学生作文是否抄袭？

可以参考Google《数学之美》系列文章，http://googlechinablog.com/2006/04/blog-post.html，文章列表在右边的“科学与技术”中，其中谈到了相似度的计算方法

to lintf1986 :
感谢您的代码，可以解释一下吗？

恐怕跟kmp还是有些区别的。

比较相似的算法应当满足这个条件：

strA与strB的相似度=strB与strA的相似度。

有个比法，效率恐怕比kmp差一点，但思路挺简单的。

比如：

strA = "我国两艘海洋调查船前往钓鱼岛附近（海域）活动，却被日本海上保安厅巡逻舰强行驱离"
strB = "近日，我国两艘海洋调查船前往钓鱼岛附近活动"

错开比：

                                        我国两艘海洋调查船前往钓鱼岛附近（海域）活动，却被日本海上保安厅巡逻舰强行驱离
近日，我国两艘海洋调查船前往钓鱼岛附近活动

                                      我国两艘海洋调查船前往钓鱼岛附近（海域）活动，却被日本海上保安厅巡逻舰强行驱离
近日，我国两艘海洋调查船前往钓鱼岛附近活动

                                    我国两艘海洋调查船前往钓鱼岛附近（海域）活动，却被日本海上保安厅巡逻舰强行驱离
近日，我国两艘海洋调查船前往钓鱼岛附近活动
......
     我国两艘海洋调查船前往钓鱼岛附近（海域）活动，却被日本海上保安厅巡逻舰强行驱离
近日，我国两艘海洋调查船前往钓鱼岛附近活动
......
我国两艘海洋调查船前往钓鱼岛附近（海域）活动，却被日本海上保安厅巡逻舰强行驱离
  近日，我国两艘海洋调查船前往钓鱼岛附近活动
......
我国两艘海洋调查船前往钓鱼岛附近（海域）活动，却被日本海上保安厅巡逻舰强行驱离
                                                                            近日，我国两艘海洋调查船前往钓鱼岛附近活动


用一个长度为strB.length的bool数组，统计strB被匹配的情况，这样一遍下来之后，就可以统计出strB中每个字符是否被匹配过。
统计一下true的数量m,用m/max(strA.length,strB.length)，应该就可以得到lz所说的60%

至于后面的80%怎么算出的，我也有些疑问，大概是找首次匹配的逆序吧，将刚才记录strB是否被匹配过的bool数组，变为int[]

当某个字符首次被匹配时，记录当时的i值（i表示错位的计数，从1开始）
这样匹配下来，所有被匹配过的字符，对应数组中的值都>0，没有被匹配过的=0;

统计所有>0的数，如果后一个数不等于前一个数，count++，最后用(m-count)/m，应该差不多是80%

怎么一发上去，排版就乱了！希望说明白了

谢谢,我看看

本着一颗学习的心 up

楼主的问题，别人已经研究出来了。
一次在qq上别人加入了我的qq
后来发现是个qq机器人在和我聊天
239079541 18:41:48
你刚刚来吗
无无 18:42:13
你是那位？ 
 
239079541 18:42:23
我是珊珊啊
无无 18:44:34
你在那里呀？ 
 
239079541 18:44:46
广东惠州,那你说你是哪的啊
无无 18:45:56
我在苏州 
 
239079541 18:46:05
跟你聊一下好吗
无无 18:48:01
好呀 
 
无无 18:48:09
你在我好友里吗？ 
 
239079541 18:48:17
朋友温暖我们的心,若能交到真诚的朋友实在很幸运耶
239079541 18:48:25
那你有诚实可靠,真心的朋友吗?
239079541 18:53:34
在么
无无 18:54:36
在呀 
 
239079541 18:55:05
我曾碰到假意跟我要好的..令人很生气,过了一阵子才好呢
无无 18:57:42
晕，你是不是电脑？ 
 
239079541 18:57:51
别啊  还要聊呢
无无 18:57:59
qq机器人？ 
 
239079541 18:58:08
什么机器?
239079541 18:58:13
你说的是什么啊?
无无 18:58:22
我问你一个问题 
 
239079541 18:58:30
好啊,借你问啊
239079541 18:58:39
但是有些问题我有权保持沉默,呵呵.
无无 18:58:46
网易新闻上是什么？ 
 
239079541 18:58:57
中国三大门户网站之一,好用吗
无无 18:59:12
现在头条新闻是什么？ 
 
239079541 18:59:24
我喜欢交真诚的朋友,我也这样对待人
239079541 18:59:35
我有个第六感…,我觉得你是个真诚的人 : )
239079541 19:01:16
在网络上我不喜欢被监视
无无 19:01:28
晕，你是机器人 
 
239079541 19:01:28
※一举一动不想被监 .视是有方法的.. 听过吗
无无 19:01:30
聊过屁 
 
239079541 19:01:39

up

还没有解决,继续等待高人现身中...

好像属于模式识别的问题吧？应该要用到模糊数学的概念。建议搂主在图像识别、信号处理方向找找，应该能有好的方法。
不属于计算机语言的问题。只是在考虑好方案后，建立数学模型时，才会涉及到C#语言怎么描述的问题。

作什么用？！明年有空闲研究一下算法，挺有意思的................

你用for循环来把文字截取在比较
^_^  

up

类似的算法有现成的，拿着用哦，

有时间研究研究

路过，顶，学习一下！