matlab - 如何在MATLAB中实现频谱核函数？

Question

频谱核函数通过计算两个字符串之间相同的 n 元语法来对字符串进行操作。例如，“tool”具有三个 2-gram(“to”、“oo”和“ol”)，“tool”和“fool”之间的相似度为 2。(“oo”和“ol”的共同点)。

如何编写可以计算此指标的 MATLAB 函数？

Answer 1

第一步是创建一个可以为给定字符串生成 n 元语法的函数。以矢量化方式实现此目的的一种方法是使用一些巧妙的索引。

function [subStrings, counts] = n_gram(fullString, N)
  if (N == 1)
    [subStrings, ~, index] = unique(cellstr(fullString.'));  %.'# Simple case
  else
    nString = numel(fullString);
    index = hankel(1:(nString-N+1), (nString-N+1):nString);
    [subStrings, ~, index] = unique(cellstr(fullString(index)));
  end
  counts = accumarray(index, 1);
end

这使用函数HANKEL首先创建一个索引矩阵，该矩阵将从给定字符串中选择每组唯一的 N 长度子字符串。使用此索引矩阵对给定字符串进行索引将创建一个字符数组，每行包含一个 N 长度的子字符串。函数CELLSTR然后将字符数组的每一行放入元胞数组的一个元胞中。函数UNIQUE然后删除重复的子字符串，函数ACCUMARRAY用于计算每个唯一子字符串的出现次数(如果出于任何原因需要它们)。

通过上述函数，您可以使用 INTERSECT 轻松计算两个字符串之间共享的 n 元语法的数量。功能:

subStrings1 = n_gram('tool',2);
subStrings2 = n_gram('fool',2);
sharedStrings = intersect(subStrings1,subStrings2);
nShared = numel(sharedStrings);