Distance de Jaro-Winkler
La distance de Jaro-Winkler mesure la similarité entre deux chaînes de caractères. Il s'agit d'une variante proposée en 1999 par William E. Winkler, découlant de la distance de Jaro (1989, Matthew A. Jaro) qui est principalement utilisée dans la détection de doublons.
Le résultat est normalisé de façon à avoir une mesure entre 0 et 1, donc 0 représente l'absence de similarité et 1, l'égalité des chaines comparées.
Cette mesure est particulièrement adaptée au traitement de chaînes courtes comme des noms ou des mots de passe.
Distance de Jaro
La distance de Jaro entre les chaînes et est définie par :
où:
- est la longueur de la chaîne de caractères ;
- est le nombre de caractères correspondants (voir ci-dessous);
- est le nombre de transpositions (voir ci-dessous).
Deux caractères identiques de et de sont considérés comme correspondants si leur éloignement (i.e. la différence entre leurs positions dans leurs chaînes respectives) ne dépasse pas :
- .
Le nombre de transpositions est obtenu en comparant le i-ème caractère correspondant de avec le i-ème caractère correspondant de . Le nombre de fois où ces caractères sont différents, divisé par deux, donne le nombre de transpositions.
Distance de Jaro-Winkler
La méthode introduite par Winkler utilise un coefficient de préfixe qui favorise les chaînes commençant par un préfixe de longueur (avec ). En considérant deux chaînes et , leur distance de Jaro-Winkler est :
où :
- est la distance de Jaro entre et
- est la longueur du préfixe commun (maximum 4 caractères)
- est un coefficient qui permet de favoriser les chaînes avec un préfixe commun. Winkler propose pour valeur
Exemples
Soit deux chaînes MARTHA et MARHTA. Nous allons dresser leur table de correspondance. Ici, l'éloignement maximal vaut 6 / 2 - 1 = 2. Dans les cases jaunes de la table ci-dessous, on inscrira donc 1 lorsque les caractères sont identiques (il y a correspondance) et 0 sinon :
M | A | R | T | H | A | |
M | 1 | 0 | 0 | 0 | 0 | 0 |
A | 0 | 1 | 0 | 0 | 0 | 0 |
R | 0 | 0 | 1 | 0 | 0 | 0 |
H | 0 | 0 | 0 | 0 | 1 | 0 |
T | 0 | 0 | 0 | 1 | 0 | 0 |
A | 0 | 0 | 0 | 0 | 0 | 1 |
- (nombre de 1 dans la table)
- Les caractères correspondants sont {M,A,R,T,H,A} pour et {M,A,R,H,T,A} pour . En considérant ces ensembles ordonnés, on a donc 2 couples (T/H et H/T) de caractères correspondants différents, soit deux demi-transpositions. D'où
La distance de Jaro est :
La distance de Jaro-Winkler avec avec un préfixe de longueur devient
Avec les chaînes DWAYNE et DUANE on trouve :
La distance de Jaro est :
Celle de Jaro-Winkler avec :
Avec les chaînes DIXON et DICKSONX, on obtient :
D | I | X | O | N | |
D | 1 | 0 | 0 | 0 | 0 |
I | 0 | 1 | 0 | 0 | 0 |
C | 0 | 0 | 0 | 0 | 0 |
K | 0 | 0 | 0 | 0 | 0 |
S | 0 | 0 | 0 | 0 | 0 |
O | 0 | 0 | 0 | 1 | 0 |
N | 0 | 0 | 0 | 0 | 1 |
X | 0 | 0 | 0 | 0 | 0 |
On calcule l'éloignement maximum pour le critère de correspondance
- .
- (les deux X ne correspondent pas, car ils sont éloignés de plus de 3 caractères)
La distance de Jaro :
La distance de Jaro-Winkler avec
Cas particuliers
Avec les chaînes 75000 et 75020 on doit trouver :
Les correspondances entre les deux chaînes de caractères ne sont pas les mêmes ("75000" pour la première et "7500" pour la seconde). Par conséquent, il faut prendre au lieu de .
Notes et références
- (en) Jaro, M. A., « Advances in record linking methodology as applied to the 1985 census of Tampa Florida », Journal of the American Statistical Society, vol. 84, no 406, , p. 414-420
- (en) Jaro, M. A., « Probabilistic linkage of large public health data file », Statistics in Medicine, vol. 14, , p. 491-498 (lire en ligne)
- (en) Winkler, W. E., « The state of record linkage and current research problems », Statistics of Income Division, Internal Revenue Service Publication R99/04, (lire en ligne)
- (en) Winkler, W. E., « Overview of Record Linkage and Current Research Directions », Research Report Series, RRS, (lire en ligne)
Liens externes
- (en) Implémentation Opensource en Java et .NET
- (en) Implémentation originale en C
- Implémentation en Delphi
- Implémentation simple en C
v · m Algorithmique du texte | |
---|---|
Recherche de sous-chaîne |
|
Alignement de chaînes |
|
Mesure de similarité |
|
Arbre des suffixes |
|
Comparaisons |
Portail de l'informatique théorique