戴斯係數(Dice coefficient),也稱索倫森-戴斯係數(Sørensen–Dice coefficient),取名於Thorvald Sørensen英語托瓦爾·索倫森Lee Raymond Dice英語李·雷蒙德·戴斯[1],是一種集合相似度度量函數,通常用於計算兩個樣本的相似度:

它在形式上和Jaccard指數沒多大區別,但是有些不同的性質。

和Jaccard類似,它的範圍為0到1。 與Jaccard不同的是,相應的差異函數

不是一個合適的距離度量措施,因為它沒有三角形不等性的性質。例如給定 {a}, {b}, 和 {a,b}, 前兩個集合的距離為1,而第三個集合和其他任意兩個集合的距離為三分之一。

與Jaccard類似, 集合操作可以用兩個向量 AB的操作來表示:

上式給出了兩個向量的距離輸出,也給出了更一般情況下向量之間的相似度度量措施。 戴斯係數可以計算兩個字符串的相似度:Dice(s1,s2)=2*comm(s1,s2)/(leng(s1)+leng(s2))。 其中,comm (s1,s2)是s1、s2 中相同字符的個數leng(s1),leng(s2)是字符串s1、s2 的長度。

信息檢索中, 給定關鍵詞集合XY ,相似度定義為兩倍的共同信息(重疊部分)除以基數的總和 :[2]

當作為字符串之間的相似度度量時, 計算兩個字符串之間的係數, xy,使用 bigrams 公式如下:[3]

其中nt 是兩個字符串共有的bigrams的個數, nxx中bigrams的個數 ,nyy中bigrams的個數。例如要計算下面兩個字符串之間的相似度:

night
nacht

我們可以在各個單詞中得出如下bigrams集合:

{ni,ig,gh,ht}
{na,ac,ch,ht}

每個集合有4個元素, 這個兩個集合只有一個相同的元素: ht.

代入公式我們可以計算出, s = (2 · 1) / (4 + 4) = 0.25.

同見

編輯

參考文獻

編輯
  1. ^ Dice, Lee R. Measures of the Amount of Ecologic Association Between Species. Ecology. 1945, 26 (3): 297–302. JSTOR 1932409. doi:10.2307/1932409. 
  2. ^ van Rijsbergen, Cornelis Joost. Information Retrieval. London: Butterworths. 1979 [2012-05-26]. ISBN 3-642-12274-4. (原始內容存檔於2005-04-06). 
  3. ^ Kondrak, Grzegorz; Marcu, Daniel; and Knight, Kevin. Cognates Can Improve Statistical Translation Models (PDF). Proceedings of HLT-NAACL 2003: Human Language Technology Conference of the North American Chapter of the Association for Computational Linguistics: 46–48. 2003 [2012-05-26]. (原始內容存檔 (PDF)於2016-03-04). 

參考資料

編輯