第卷期计算机学报３４ １０Ｖｏｌ．年月２ＣＨＩＮＥＳＪＯＵＲＡＬＦＭＰＴｃｔ字符串华东范软件院上海新南威尔与工程系悉尼摘是中一重问它应用遍多领域例如互联网挖掘物该文讨论在术界从来这内取了量进展作者总结并给出分析归类后提些未关键词连接前缀过滤编辑距离法号犇犗犐犛犲狋犪狀犱狉犻犿犾狌狊狏犵狔犙ＸＷ狅犳狑犈犆犺犖犝犮狆犠犫ｑｐｂｆｈｚ犓有广泛记录户兴趣他或她感址通引言使可十［］组对象某更地犚函阈值限找返回至少超客果将另每列表把行其由专人动判别具操叫断否同典型我们统称还包括众标Ｑ收稿日：；最终修改到本课题得澳大利亚研究理事会（，８９Ｄｉｓｖｅｒｙｊ７）、国家自然科基金及的资助林民男生教５６Ｇｇ授主要方向为图数据库不确定空间时以相似度查询王炜博士高级讲ｍａｘｕ＠ｎｗｄ师和信息检索集成处优化等两个合／①犃犅｜∩∪书
机报数据库中，我们可以找出例如在地铁站附近（直线或者行走距离）内的意大利餐馆理充５０ｍ．犑犪犮集成应用使连接字／２＋×段值致匹配条件多个异构推论必ＳｏｆｔＪｉｎ［３４］类似还包括基于典命名实体识别证明果则ＤｃａｒｙｂｓｅｄＮＥＲｇ网页自动标注产品称带入不式右边毕相度函进由完全将“”到优每ｌ做生物信息学需要蛋白质编辑衡量因序列支持同源查Ｈ６记和下一代测ｈｘ７插、删操等任务犲ｑｕ另步本文主关合符串态规划计即询对象都是ｐ算时复杂这问题领域工作犗狀８②①长从年开始并取得了许重展１９已经比较费其分门介绍话析给认为未来有希望方向运效率会非低际绝第节定义背景知满足限制通过；上技术滤剔能③法特征最后总结提狇该子 ④－两组之间犚犛及阈狊犻犿狋坏情况返回所至少那些破｛｝表述狉｜∈且犡便仅考虑～某替判断改犱更早献存种好但现ＦＴ系转换＝角元素位Ｏ常见犃犅性狑器约束化价模先再验Ｖ交小∩空被广泛也头尾处加除殊样须而各减去它调整
期林学民０文献［］还考虑了的位置：只有两个相连接２狇ｇｒａｍ同在各自字符串中差不超过阈紧６值，我们才将它算作匹配所以上限制狋．定理条件可增强为＿（例ｔｃｈｉｎｓ犃Ｊ）取犅ｘ｜－＋１×满足构成候选集仅／需对进行编辑距离验证从而改包括能比每都更加高效这于关系数权规则据库支持基查询意义尤其重大因扩展滤通来完最延长标准入ＳＱＬ犽后要用户函实现与此象ＵＤＦ降合似度低终但３ 读多须否前缀果非依赖犘狉犲犳犻狓犉犾狀犵根间转换及程７知道处交小等一无部分情况给如何找到和被直留犙呢？里含传统做法是先组即记录犆任元素；然已经校计递Ｖｅｆｏ并较第步使倒排索引动态快速地获得｛端那些项删除Ｉｖｄ＝犐狑｝应列表择影响∈该方际主Ｐ缺点当出频率时减启发式ｕ会变很恰常遵循律概样导致Ｚｐｑｙ帮助早识问题提解决案论少４之想推广５也达海量犛附求按照建立８全局顺序且融便起见把某种叫内存装犔９下远、硬盘物织必几
机学报年８６每个包含了一组有序的数据集合我们可毕犔犻犐犇．以简单把这些归并起来，同时保持对出现次计返回值不小于阈高十快捷主（即文献［］中算法）研究２０ＳｃａｎＣｏｕｔ１索引：是否需要将都读取完就成言乎字符串长问题给基ＦｇｉＮＲＡ度倍味没改进提另外几种优化当匹配括考虑通过利用相交和在倒排列表上跳跃方达到仅部分ｋｐ目及Ｍｅｒ本思想前缀滤变最混而得Ｄｖｄ获关其它３ 差异函５大递式多如果两比较似也应该更好接近约束条件无使因为很只足够查询４能会等狋避免情况从选择某例除或Ｊ先转者均量行类／；编辑距×｜犃犅点缺之间离－＋抄袭检测地找换段位置信息落句子注意实质受篇幅限元素首①步增强效常见减少候定犲狇被左右别记作衡且证所严格犾狉讨处全局顺直显然∩＝ｍｓ下动理面已介绍必任连推论再ｆ判共明开始请里后
期林学民（也称作数量过滤），最后在剩下共享ＣｏｕｎｔＦｉｌｅｒｇ的候选集中对每条字符串计算其与查询紧界［１］７编辑距离还本思想．ｃｈｋ由于将约束转化为基不匹配狇割成非已有方法都是ａｍ虑那么否可以被利用起来呢？文插入和删除现常②献提出了两种第２３情况通考察前缀位狋×＋根据尾受模式典ＴｓｄＤｙ置进一步减少长度我们假定取犔办影响要多个操＜才能这元素全部破坏很明显如果针互相没重叠答案就证犾∈话排序线性贪心０枚举等到该结大阈值简单只使分找够小满足至需仅库Ｈ它掉；把样犗｜犙∑叫做短范围次居ＳＮ之间概念超得ｂ合观：系列邻必件区内较运行子建立无关极十快向并测试应捷尤但随着增＝变４ 加空复杂指级上升特征Ｗｗ适当比类似例５６片份新具“局”粗略地说即决周容先户给参调整移伸缩然再保检所主原避免同因会产生替换让治殊允许支持①实二８９另ＶＧＲＡＭ连接传统问题求索引反仍频率往均匀犆布导致某些倒表组从而付读时降低且放宽代价划段犽＞限制ｘ－优质ｖ几体细节请见则动态程事难点
机学报年编辑过的段，在每种情况下使用没有被述传位置和内容作为查询条件找到数据库中匹配字记｜犛符串这些并构成了候选集上进．犙ｘ行校验就可以获得最后结果方法产生前缀滤依赖于参：越小枚举少但是犽更对应精确松文献［］讨论３刻画海量二值向支持基６４狋＝Ｈａｍ简洁地空距离几设定个思路ｉｎ复杂且随趋势ｇ也由处理问题７外完全看一很长做近似子即实质索引（）不同犆－１表ｓｈ形状带间隔序列还另变我们再多自或者层划分根抽屉原如先将证则至存操狀别／然＋其主想算该ＰｒｔＥｕ足补殊ｃｋ优点取整运阈际降邻交低需要手工调节两仅当较时通能够比秀破坏给出从连接转换ＩｄＣ明所Ｇ它合狇绝大已展相例把犪犫性现顺标等而２读倒非常５认元素求导致维度那么会化树Ｔ超 效储必之×省因好提来快速判断计制否８矩阵排；次ｐｅｏ利增某适①旦短管Ｂ０统特征范都归框架围关键步骤λ任何续加入Λ区共享犔犅描Υ异ＸＯＲ
林学民等串和查询字符的编辑距离下界．相关工作５ｊ 更多介绍可以参见近期辅导报［３９４］告综述义早似度识别１Ｎ连接主要集中在对象为欧应：典几里得空间（）点，而且使用名输入ＥｕｃｌｉｄｅａｎＳｐ是函数这个问题通常被称件找所匹配某２低维有循环、平面子检ｔＪｏ扫描填充曲线据挖掘础ＰｗｇＦ基于一颗或两及分治方ＣｒｖＲ法具体比较看６最文献考虑了利高并行性项长固情况７ＧＵ计算速来实现快当Ｔ犽时很难因无预先设除盲尝灾另ｓｆＤｍ试同外ｙ没能优异索引即返结果划例如８０事驱动模型还些量Ｍ态整防止校进候选短紧估者策略技术Ｂ合上往不效地映射到德此它们需新假都简单二值交内存增级会包含提出犚机运鉴犪犛犫特征过滤Ｈｈ布式海功种复制框架倒排支持注之约束限研究版条延大供解伸其代表位置敏感Ｌ给定未类每生成组我仅验证随着尤互联网社路调节将拼起越涉本达加目；列领域步骤重次保后向户召回率阈理论说绝改ｂ①精确
报多种启发性的方法我们对这些代价、适用情机年学术界．况以及相互之间关系还不甚了解例如，前缀过滤在大量来自于同领域数据集上都取得很并展该主好效果但是许低频元素出现率仍总且未然较高或者似度阈值小距离时它望会迅速下降没有一个理论分析就无预测何也阻碍考寻找失①ＲＹｋｕｐ已经少工作中估计各／ＰｆＷ查询结选择（）问题ＳｅｌｃｔｉｖｙＧＬＩＨＶＫＮ包括文献［］６７１Ａｘｊ创新和改进２ｂ Ｃｗ去研究将合字符串ｑ连接提几级另外往Ｏ９某参范围内良表可见ｚ试验与此增长应３０空断严苛要求促使继续Ｘ行称特征索引思路否步完善调整到存储共享５Ｔｒ算利地支持式本身弱点：其占比差所探通块面常简单函能临更复杂最近开始编辑Ｊａｄ’ＥｈＭｏｓＤｎＢｇｍＵ４等技巧聚类；基匹配噪音８库键检束语列假设后初建模仅产生候依赖即当减犗－狋
期林学民等集合和字符串的相似度查询［］，１６ＸｉａｏＣＷｎｇＬＹｕＪＧ．ＥｆｃｅｔｓｍｌｒｙｊｄｐＡＭＴ（）：ＤｂＳ２０３４７ＲＨｚｘｖＩ８Ｂｈ／Ｐ９５ｗｑＫＮＦＶｋＯＵ；ＱＺ
计算机学报年［］，：５６ＩｎｄｙｋＰＭｏｔｗａｉＲ．ＡｐｒｘｍｅｓｇｈｂＴ／ｖｃｕｆｌＳＯＣ１９８０４３７ＪＧ２ＢＺＥＱｚＬＫＷＮ（）ＶＤＦＹＸＨ犽’ｊ犔犐犖犡狌犲犕犻狀犠犃犌ｑ犅犪犮犵狉狅犱
