Gestalt Pattern Matching, auch Ratcliff/Obershelp Pattern Recognition, ist ein String-Matching-Algorithmus zur Bestimmung der Ähnlichkeit zweier Zeichenketten. Er wurde 1983 von John W. Ratcliff und John A. Obershelp entwickelt und im Juli 1988 im Dr. Dobb’s Journal veröffentlicht.National Institute of Standards and Technology Ratcliff/Obershelp pattern recognition
Algorithmus Die Ähnlichkeit zweier Zeichenketten und wird dadurch bestimmt, dass die doppelte Anzahl der übereinstimmenden Zeichen durch die Gesamtzahl aller Zeichen beider Zeichenketten dividiert wird. Als übereinstimmende Zeichen werden die in der längsten zusammenhängend übereinstimmenden Untersequenz angesehen plus rekursiv die Anzahl der übereinstimmenden Zeichen in den nicht übereinstimmenden Bereichen auf beiden Seiten dieser längsten gemeinsamen Untersequenz:
Ilya Ilyankou: Comparison of Jaro-Winkler and Ratcliff/Obershelp algorithms in spell check, May 2014 (PDF; 1,3 MB) wobei das Ähnlichkeitsmaß einen Wert zwischen null und eins annehmen kann:
Der Wert 1 steht dabei für vollständige Übereinstimmung, der Wert 0 dagegen für keinerlei Übereinstimmung, es gibt dann nicht einmal einen gemeinsamen Buchstaben.
Beispiel S1WIKIMEDIAS2WIKIMANIA Die längste übereinstimmende Untersequenz ist WIKIM (dunkelgrau) mit 5 Zeichen. Links davon ist keine weitere Untersequenz. Die rechte nicht übereinstimmende Subsequenz EDIA bzw. ANIA haben wieder eine übereinstimmende Subsequenz IA (hellgrau) mit der Länge 2. Das Ähnlichkeitsmaß bestimmt sich damit zu:
Eigenschaften Komplexität Die Laufzeit des Algorithmus ist in O im schlechtesten Fall und im Mittel. Durch Änderung des Verfahrens lässt sich die Laufzeit jedoch deutlich verbessern.
Kommutativgesetz Es lässt sich zeigen, dass Gestalt-Pattern-Matching-Algorithmus nicht kommutativ ist:How does Pythons SequenceMatcher work? auf stackoverflow.com
Beispiel Für die beiden Zeichenketten
und
ergibt sich für ein Maß von mit den Teilstrings GESTALT, T, E, R, I und für ein Maß von mit den Teilstrings GESTALT, T, H, I.
Anwendungsbereiche Der Algorithmus wurde zur Grundlage der difflib-Bibliothek in Python, welche mit der Version 2.1 eingeführt wurde.difflib — Helpers for computing deltas in der Python-Dokumentation Aufgrund des ungünstigen Laufzeitverhaltens des Ähnlichkeitsmaßes wurden drei Methoden implementiert, von denen zwei eine obere Schranke in einer schnelleren Laufzeit zurückgeben können. Die schnellste Variante vergleicht lediglich die Länge der beiden Teilstrings:Entlehnt aus Python 3.7.0, difflib.py Zeilen 38–41 und 676–686
,
# Drqr Implementierung in Python def real_quick_ratio(s1: str, s2: str) -> float: """Return an upper bound on ratio() very quickly.""" l1, l2 = len(s1), len(s2) length = l1 + l2
if not length: return 1.0
return 2.0 * min(l1, l2) / length
Die zweite obere Schranke setzt die doppelte Summe aller verwendeten Zeichen aus , die in vorkommen, ins Verhältnis zur Länge beider Zeichenketten. Die Zeichenfolgen bleiben dabei unberücksichtigt.
,
# Dqr Implementierung in Python def quick_ratio(s1: str, s2: str) -> float: """Return an upper bound on ratio() relatively quickly.""" length = len(s1) + len(s2)
if not length: return 1.0
intersect = collections.Counter(s1) & collections.Counter(s2) matches = sum(intersect.values()) return 2.0 * matches / length
Trivialerweise gelten: und .
Komplexität Die Laufzeit dieser speziellen Python-Implementierung ist im schlechtesten Fall und im besten Fall.
Belege
Literatur John W. Ratcliff und David Metzener: Pattern Matching: The Gestalt Approach, Dr. Dobb's Journal, Seile 46, Juli 1988
Siehe auch Pattern Matching
Kategorie:Suchalgorithmus Kategorie:Informationstheorie Kategorie:Quantitative Linguistik Kategorie:Rekursion Kategorie:Klassifikationsverfahren