تشابه السلاسل

تشابه السلاسل يقيس مدى تقارب سلسلتين نصيتين. يُستخدم في مدققات الإملاء وتحليل الحمض النووي وكشف الانتحال وإزالة تكرار البيانات.

مسافة ليفنشتاين (مسافة التحرير) تقيس الحد الأدنى من عمليات التحرير أحادية الحرف — إدراج أو حذف أو استبدال — اللازمة لتحويل سلسلة إلى أخرى. مثلاً المسافة بين "cat" و "bat" هي 1.

جارو-وينكلر يمنح درجات أعلى للسلاسل التي تشترك في بادئة مشتركة. يُستخدم على نطاق واسع لمطابقة الأسماء والعناوين والسجلات في قواعد البيانات.

يقسم تشابه جيب التمام السلاسل إلى n-gram حرفية ويحولها إلى متجهات ويقيس جيب تمام الزاوية بينها. يعمل بشكل جيد مع النصوص الطويلة.

تشابه جيب التمام يستخدم متجهات تردد n-gram ويقيس الزاوية بينها، بينما جاكارد يقارن مجموعات n-gram بنسبة التقاطع إلى الاتحاد. جاكارد يتجاهل التكرارات؛ جيب التمام لا.

مسافة هامنج تعد عدد المواضع التي تختلف فيها الأحرف المتناظرة بين سلسلتين متساويتين في الطول. تعمل فقط مع السلاسل متساوية الطول.

معامل سورنسن-دايس يقيس التشابه بناءً على عدد الثنائيات المشتركة نسبة إلى إجمالي الثنائيات في كلتا السلسلتين. يعطي وزناً أكبر للعناصر المشتركة من جاكارد.

للسلاسل القصيرة مع أخطاء إملائية (أسماء، أكواد) استخدم ليفنشتاين أو جارو-وينكلر. للنصوص الطويلة تشابه جيب التمام هو الأفضل. للمقارنة السريعة بالمجموعات استخدم جاكارد.

الـ n-gram هو تسلسل متصل لـ n حرف من سلسلة. مثلاً ثنائيات "hello" هي "he" و "el" و "ll" و "lo". الـ n-grams هي لبنات بناء العديد من خوارزميات التشابه.

المطابقة التقريبية تجد سلاسل تطابق نمطاً تقريباً وليس تماماً. تُستخدم في محركات البحث ومدققات الإملاء وتنظيف البيانات.

لا، تتم جميع الحسابات محلياً في متصفحك. نصك لا يغادر جهازك أبداً. لا توجد معالجة أو تخزين من جانب الخادم.

نعم، الخوارزميات تعمل مع أي محارف Unicode. لكن النتائج قد تختلف لأن اللغات المختلفة لها هياكل أحرف مختلفة.