維基百科，自由的百科全書
跳到導航跳到搜索
Disambig gray.svg 關於與“Dice係數”名稱相近或相同的條目，請見“Dice”。
Dice係數, 根據 Lee Raymond Dice[1] 命名，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：
{\displaystyle s={\frac {2|X\cap Y|}{|X|+|Y|}}} {\displaystyle s={\frac {2|X\cap Y|}{|X|+|Y|}}}
它和Sørensen 相似度指數相同, 也稱作Sørensen-Dice係數。 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，它的範圍爲0到1。 與Jaccard不同的是，相應的差異函數
{\displaystyle d=1-{\frac {2|X\cap Y|}{|X|+|Y|}}} {\displaystyle d=1-{\frac {2|X\cap Y|}{|X|+|Y|}}}
不是一個合適的距離度量措施，因爲它沒有三角形不等性的性質。例如給定 {a}, {b}, 和 {a,b}, 前兩個集合的距離爲1， 而第三個集合和其他任意兩個集合的距離爲三分之一。
與Jaccard類似, 集合操作可以用兩個向量 A 和B的操作來表示:
{\displaystyle s_{v}={\frac {2|A\cdot B|}{|A|^{2}+|B|^{2}}}} {\displaystyle s_{v}={\frac {2|A\cdot B|}{|A|^{2}+|B|^{2}}}}
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。 Dice 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。
在信息檢索中, 給定關鍵詞集合X 和Y ，相似度定義爲兩倍的共同信息(重疊部分)除以基數的總和 :[2]
當作爲字符串之間的相似度度量時, 計算兩個字符串之間的係數, x 和y，使用 bigrams 公式如下:[3]
{\displaystyle s={\frac {2n_{t}}{n_{x}+n_{y}}}} {\displaystyle s={\frac {2n_{t}}{n_{x}+n_{y}}}}
其中nt 是兩個字符串共有的bigrams的個數, nx 是 x中bigrams的個數 ，ny 是 y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.
Dice距離用於度量兩個集合的相似性，因爲可以把字符串理解爲一種集合，因此Dice距離也會用於度量字符串的相似性。此外，Dice係數的一個非常著名的使用即實驗性能評測的F1值。Dice係數定義如下：
其中分子是A與B的交集數量的兩倍，分母爲X和Y的長度之和，所以他的範圍也在0到1之間。從公式看，Dice係數和Jaccard非常的類似。Jaccard是在分子和分母上都減去了|A∩B|。
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，因爲它沒有三角形不等性的性質。例如給定 {a}, {b}, 和 {a,b}, 前兩個集合的距離爲1， 而第三個集合和其他任意兩個集合的距離爲三分之一。
與Jaccard類似, 集合操作可以用兩個向量A和B的操作來表示:
def dice_coefficient(a, b):
"""dice coefficient 2nt/na + nb."""
a_bigrams = set(a)
b_bigrams = set(b)
overlap = len(a_bigrams & b_bigrams)
return overlap * 2.0/(len(a_bigrams) + len(b_bigrams))
if __name__ == '__main__':
a=dice_coefficient('你好daadsffda','你你好ihiuhiihibiuhiuhiuhiuhiuhiuhuya妹aaa')
print(a)
