当前位置：首页 > news >正文

常见字符串相似度算法详解

news 来源：原创 2025/7/1 4:38:51

引言

一、Levenshtein距离（编辑距离）

1.1 算法原理

1.2 Java实现

1.3 springboot中实现

二、Jaro-Winkler相似度

2.1 算法特点

2.2 Java实现

三、余弦相似度（向量空间模型）

3.1 实现步骤

3.2 Java实现

3.3 简化版

四、Jaccard系数

4.1 算法原理

4.2 Java实现

4.3 简化版

五、N-gram相似度

5.1 实现示例（Bigram）

六、算法对比与选型建议

七、性能优化技巧

八、完整测试示例

结语

引言

在文本处理、搜索引擎、数据清洗等场景中，字符串相似度计算是核心技术之一。本文将深入讲解5种经典算法，并提供可直接运行的Java代码实现。

一、Levenshtein距离（编辑距离）

1.1 算法原理

计算将字符串A转换为字符串B所需的最少单字符编辑（插入、删除、替换）次数

动态规划公式：

dp[i][j] = min(dp[i-1][j]+1, dp[i][j-1]+1, dp[i-1][j-1]+cost)

1.2 Java实现

public static int levenshtein(String a, String b) {int[][] dp = new int[a.length()+1][b.length()+1];for (int i=0; i<=a.length(); i++) dp[i][0] = i;for (int j=0; j<=b.length(); j++) dp[0][j] = j;for (int i=1; i<=a.length(); i++) {for (int j=1; j<=b.length(); j++) {int cost = (a.charAt(i-1) == b.charAt(j-1)) ? 0 : 1;dp[i][j] = Math.min(Math.min(dp[i-1][j] + 1,    // 删除dp[i][j-1] + 1),   // 插入dp[i-1][j-1] + cost // 替换);}}return dp[a.length()][b.length()];
}

相似度计算：

public static double levenshteinSimilarity(String a, String b) {int maxLen = Math.max(a.length(), b.length());return 1.0 - (double)levenshtein(a, b) / maxLen;
}

1.3 springboot中实现

<!-- pom.xml 中添加依赖 -->
<dependency><groupId>org.apache.commons</groupId><artifactId>commons-text</artifactId><version>1.9</version>
</dependency>

    public static double levenshteinSimilarity(String str1, String str2) {LevenshteinDistance distance = new LevenshteinDistance();int maxLength = Math.max(str1.length(), str2.length());if (maxLength == 0) return 1.0;int editDistance = distance.apply(str1, str2);return 1 - (double) editDistance / maxLength;}

二、Jaro-Winkler相似度

2.1 算法特点

对前缀相同的字符串更友好（如人名匹配）

适合短字符串比较

时间复杂度：O(n)

2.2 Java实现

public static double jaroWinkler(String s1, String s2) {int maxLen = Math.max(s1.length(), s2.length());if (maxLen == 0) return 1.0;// 匹配窗口大小int matchWindow = Math.max(maxLen/2 - 1, 0);// 匹配字符统计boolean[] s1Matches = new boolean[s1.length()];boolean[] s2Matches = new boolean[s2.length()];int matches = 0, transpositions = 0;// 统计匹配字符for (int i=0; i<s1.length(); i++) {int start = Math.max(0, i-matchWindow);int end = Math.min(i+matchWindow+1, s2.length());for (int j=start; j<end; j++) {if (!s2Matches[j] && s1.charAt(i) == s2.charAt(j)) {s1Matches[i] = true;s2Matches[j] = true;matches++;break;}}}if (matches == 0) return 0.0;// 计算换位次数int k = 0;for (int i=0; i<s1.length(); i++) {if (!s1Matches[i]) continue;while (!s2Matches[k]) k++;if (s1.charAt(i) != s2.charAt(k)) transpositions++;k++;}double jaro = ((matches/(double)s1.length()) + (matches/(double)s2.length()) + ((matches - transpositions/2.0)/matches)) / 3.0;// Winkler调整前缀权重int prefixLen = 0;for (int i=0; i<Math.min(4, Math.min(s1.length(), s2.length())); i++) {if (s1.charAt(i) == s2.charAt(i)) prefixLen++;else break;}return jaro + prefixLen * 0.1 * (1 - jaro);
}

三、余弦相似度（向量空间模型）

3.1 实现步骤

将字符串转换为词频向量

计算向量夹角余弦值

3.2 Java实现

public static double cosineSimilarity(String a, String b) {Map<String, Integer> vec1 = getTermFrequency(a);Map<String, Integer> vec2 = getTermFrequency(b);// 计算点积double dotProduct = 0;for (String term : vec1.keySet()) {if (vec2.containsKey(term)) {dotProduct += vec1.get(term) * vec2.get(term);}}// 计算模长double normA = vec1.values().stream().mapToDouble(v->v*v).sum();double normB = vec2.values().stream().mapToDouble(v->v*v).sum();return dotProduct / (Math.sqrt(normA) * Math.sqrt(normB));
}// 词频统计（按单词分割）
private static Map<String, Integer> getTermFrequency(String text) {return Arrays.stream(text.split("\\s+")).collect(Collectors.toMap(word -> word, word -> 1, Integer::sum));
}

3.3 简化版

   // 余弦相似度（简化版）public static double cosineSimilarity(String str1, String str2) {Map<Character, int[]> vector = new HashMap<>();for (char c : (str1 + str2).toCharArray()) {if (!vector.containsKey(c)) vector.put(c, new int[2]);}for (char c : str1.toCharArray()) vector.get(c)[0]++;for (char c : str2.toCharArray()) vector.get(c)[1]++;double dotProduct = 0, normA = 0, normB = 0;for (int[] counts : vector.values()) {dotProduct += counts[0] * counts[1];normA += Math.pow(counts[0], 2);normB += Math.pow(counts[1], 2);}return dotProduct / (Math.sqrt(normA) * Math.sqrt(normB));}

四、Jaccard系数

4.1 算法原理

计算两个集合的交集与并集的比例

4.2 Java实现

public static double jaccardSimilarity(String a, String b) {Set<String> setA = new HashSet<>(Arrays.asList(a.split("")));Set<String> setB = new HashSet<>(Arrays.asList(b.split("")));int intersection = 0;for (String s : setA) {if (setB.contains(s)) intersection++;}int union = setA.size() + setB.size() - intersection;return (double) intersection / union;
}

4.3 简化版

    public static double jaccardSimilarity(String str1, String str2) {Set<Character> set1 = new HashSet<>();Set<Character> set2 = new HashSet<>();for (char c : str1.toCharArray()) set1.add(c);for (char c : str2.toCharArray()) set2.add(c);Set<Character> intersection = new HashSet<>(set1);intersection.retainAll(set2);Set<Character> union = new HashSet<>(set1);union.addAll(set2);return union.isEmpty() ? 1.0 : (double) intersection.size() / union.size();}

五、N-gram相似度

5.1 实现示例（Bigram）

public static double nGramSimilarity(String a, String b, int n) {List<String> gramsA = generateNGrams(a, n);List<String> gramsB = generateNGrams(b, n);Set<String> union = new HashSet<>(gramsA);union.addAll(gramsB);int intersection = 0;for (String gram : gramsA) {if (gramsB.contains(gram)) intersection++;}return (double) intersection / union.size();
}// 生成N-gram
private static List<String> generateNGrams(String text, int n) {List<String> grams = new ArrayList<>();for (int i=0; i<=text.length()-n; i++) {grams.add(text.substring(i, i+n));}return grams;
}

六、算法对比与选型建议

算法	适用场景	时间复杂度	特点
Levenshtein	拼写纠错、DNA分析	O(n²)	精确但较慢
Jaro-Winkler	人名匹配、短文本	O(n)	前缀权重优化
余弦相似度	长文档、搜索引擎	O(n)	基于词频统计
Jaccard	集合相似性、去重	O(n)	简单快速
N-gram	模糊搜索、推荐系统	O(n)	可调节粒度

七、性能优化技巧

预处理优化
1. 统一转换为小写
2. 去除停用词和标点符号
缓存机制
- 对频繁计算的字符串缓存结果
近似算法
- 使用SimHash等快速近似算法

并行计算

List<Double> results = strings.parallelStream().map(s -> cosineSimilarity(baseStr, s)).collect(Collectors.toList());

八、完整测试示例

public static void main(String[] args) {String s1 = "apple";String s2 = "appel";System.out.println("Levenshtein相似度: " + levenshteinSimilarity(s1, s2));System.out.println("Jaro-Winkler: " + jaroWinkler(s1, s2));System.out.println("Bigram相似度: " + nGramSimilarity(s1, s2, 2));
}

输出结果：

Levenshtein相似度: 0.6  
Jaro-Winkler: 0.9066666666666667  
Bigram相似度: 0.6666666666666666

结语

根据实际需求选择合适的算法：

精确匹配优先Levenshtein

人名匹配首选Jaro-Winkler

长文本使用余弦相似度

快速去重推荐Jaccard系数

常见字符串相似度算法详解

目录引言一、Levenshtein距离（编辑距离） 1.1 算法原理 1.2 Java实现 1.3 springboot中实现二、Jaro-Winkler相似度 2.1 算法特点 2.2 Java实现三、余弦相似度（向量空间模型） 3.1 实现步骤 3.2 Java实现 3.3 简化版…...

编程日记 2025/7/1 4:38:51

红蓝对抗中的网络安全设备操作手册

目录 🔐 关键要点设备操作与实战应用 📊 1. 防火墙 (Firewall) 蓝队（防御）用法红队（攻击）用法 🔍 2. 入侵检测/防护系统 (IDS/IPS) 蓝队（防御）用法红队&#…...

编程日记 2025/6/27 22:51:03

用python实现汉字转拼音工具

用python实现汉字转拼音工具主要功能特点： 多种拼音风格选择（带声调符号、数字声调、无声调）输出模式：可以选择“普通模式”（仅拼音）或“拼音注音”（每个汉字的拼音显示在上方）可…...

编程日记 2025/6/27 2:42:23

spring中的Interceptor使用说明

一、Interceptor 的核心概念 Interceptor（拦截器） 是 Spring MVC 提供的一种机制，用于在请求处理的不同阶段插入自定义逻辑。其核心作用包括： • 预处理：在控制器方法执行前进行权限校验、日志记录等。 • 后处理&am…...

编程日记 2025/6/27 22:51:04

Wi-Fi（无线局域网技术）

Wi-Fi（Wireless Fidelity，无线保真）是通过无线电波传输数据的技术，它使设备能够通过无线连接方式访问网络、共享文件或连接互联网。Wi-Fi已经成为现代家庭、办公室以及公共场所中常见的无线通信方式，支持的设备包括手机…...

编程日记 2025/7/1 4:14:04

MySQL Host 被封锁解决方案（全版本适用 + Java 后端优化）

引言 MySQL 中 “Host is blocked because of many connection errors” 是生产环境常见问题，若处理不当会导致服务中断。本文结合 MySQL 官方文档（5.5/8.0）、Java 后端最佳实践及企业级经验，提供从 “快速解封” 到 “根源优化”…...

编程日记 2025/6/27 22:51:08

分类预测 | Matlab实现PSO-RF粒子群算法优化随机森林多特征分类预测

分类预测 | Matlab实现PSO-RF粒子群算法优化随机森林多特征分类预测目录分类预测 | Matlab实现PSO-RF粒子群算法优化随机森林多特征分类预测分类效果**功能概述****算法流程** 分类效果功能概述数据预处理读取Excel数据集，划分训练集（前260行&#…...

编程日记 2025/6/27 23:05:44

【苍穹外卖】Day01—Mac前端环境搭建

目录一、安装Nginx （一）安装Homebrew （二）Homebrew安装Nginx 1. 执行安装命令： 2. 验证安装： （三）启动与停止Nginx 二、配置Nginx 1. 替换nginx.conf 2. 替换html文件夹三…...

编程日记 2025/6/27 11:25:13

报错信息 warnings.warn( /home/ti-3/anaconda3/lib/python3.12/site-packages/urllib3/connectionpool.py:1099: InsecureRequestWarning: Unverified HTTPS request is being made to host ‘repo.anaconda.com’. Adding certificate verification is strongly advised. Se…...

编程日记 2025/6/27 23:03:09

Nginx 强制 HTTPS：提升网站安全性的关键一步

在当今互联网时代，网站的安全性至关重要。使用 HTTPS 协议可以有效保护用户数据，防止信息泄露和中间人攻击。本文将详细介绍如何在 Nginx 中设置强制 HTTPS，确保所有 HTTP 请求都被自动重定向到 HTTPS。一、背景与重要性 HTTPS&#xff08…...

编程日记 2025/6/27 23:24:35

青藏高原边界数据总集

关键数据集分类：地表参数数据集空间分辨率：m共享方式：开放获取数据大小：265.87 KB数据时间范围:2016元数据更新时间:2022-04-18 数据集摘要此边界数据总集包含五种类型的边界： １、TPBoundary_2500m&#…...

编程日记 2025/6/30 6:05:45

AI赋能R-Meta分析核心技术：从热点挖掘到高级模型

随着人工智能技术的不断进步，Meta分析作为科学研究中的一种重要方法，也在不断地被赋予新的活力。特别是以ChatGPT为代表的AI大语言模型，为Meta分析提供了更为高效和智能的工具。本文将详细介绍AI赋能R-Meta分析的核心技术，并结合实…...

编程日记 2025/6/27 12:56:30

基于R语言地理加权回归、主成份分析、判别分析等空间异质性数据分析实践技术应用

在自然和社会科学领域有大量与地理或空间有关的数据，这一类数据一般具有严重的空间异质性，而通常的统计学方法并不能处理空间异质性，因而对此类型的数据无能为力。以地理加权回归为基础的一系列方法：经典地理加权回归，…...

编程日记 2025/6/27 11:06:40

GPT 等decoder系列常见的下游任务

下面用一句话＋四个例子，把上面那张“所有下游任务都要微调”架构图说清楚： 核心思路：不管你要做什么任务，都用同一个 Transformer（这里是 GPT／Decoder-Only 模型）当“特征抽取器”&a…...

编程日记 2025/6/27 22:51:21

java面试每日一背 day1

1.什么是缓存穿透缓存穿透是指查询一个数据库中根本不存在的数据，导致这个查询请求绕过缓存直接访问数据库的情况。这种情况如果频繁发生，会对数据库造成不必要的压力。典型特征： （1）查询的数据在数据库和缓存中都…...

编程日记 2025/6/30 8:25:13

Spring Boot AI 之 Chat Client API 使用大全

ChatClient提供了一套流畅的API用于与AI模型交互，同时支持同步和流式两种编程模型。流畅API包含构建Prompt组成元素的方法，这些Prompt将作为输入传递给AI模型。从API角度来看，Prompt由一系列消息组成，其中包含指导AI模型输出和行为的指令文本。 AI模型主要处理两类消息： …...

编程日记 2025/6/27 22:52:06

初识Linux · 五种IO模型和非阻塞IO

目录前言： 五种IO模型什么是IO IO模型非阻塞IO 前言： 前文我们已经将网络的基本原理介绍完了，都是通过围绕TCP/IP四层协议，将应用层，传输层，网络层，数据链路层全部介绍完毕&#xff0c…...

编程日记 2025/6/27 22:51:19

牛客网NC15869:长方体边长和计算问题解析

牛客网NC15869:长方体边长和计算问题解析题目描述问题分析设长方体的三条边长为 x, y, z根据题意，三个面的面积分别为： 第一个面面积：a x * y第二个面面积：b x * z第三个面面积：c y * z 解题思路通过三个面…...

编程日记 2025/6/29 11:02:40

Python60日基础学习打卡D32

我们已经掌握了相当多的机器学习和python基础知识，现在面对一个全新的官方库，看看是否可以借助官方文档的写法了解其如何使用。我们以pdpbox这个机器学习解释性库来介绍如何使用官方文档。大多数 Python 库都会有官方文档，里面包含了函数…...

编程日记 2025/7/1 4:14:41

Android本地语音识别引擎深度对比与集成指南：Vosk vs SherpaOnnx

技术选型对比矩阵对比维度VoskSherpaOnnx核心架构基于Kaldi二次开发ONNX Runtime + K2新一代架构模型格式专用格式（需专用工具转换）ONNX标准格式（跨框架通用）中文识别精度89.2% (TDNN模型)92.7% (Zipformer流式模型)内存占用60-150MB30-80MB迟表现320-500ms180-300ms多线程…...

编程日记 2025/7/1 4:19:06

Flink 核心概念解析：流数据、并行处理与状态

一、流数据（Stream Data） 1. 有界流（Bounded Stream） 定义：有明确起始和结束时间的数据集合，数据量固定，处理逻辑通常是一次性计算所有数据。典型场景： 历史交易数据统计&#xf…...

编程日记 2025/6/30 4:39:54

logits是啥、傅里叶变换

什么是logtis？ 在深度学习的上下文中，logits 就是一个向量，下一步通常被投给 softmax/sigmoid 的向量。。 softmax的输出是分类任务的概率，其输入是logits层。 logits层通常产生-infinity到 infinity的值，而softmax层…...

编程日记 2025/6/29 12:43:02

【机器学习基础】机器学习与深度学习概述算法入门指南

机器学习与深度学习概述算法入门指南一、引言：机器学习与深度学习（一）定义与区别（二）发展历程（三）应用场景二、机器学习基础（一）监督学习（二）无…...

编程日记 2025/6/30 22:38:46

Ajax研究

简介 AJAX Asynchronous JavaScript and XML（异步的 JavaScript 和 XML）。 AJAX 是一种在无需重新加载整个网页的情况下，能够更新部分网页的技术。 Ajax 不是一种新的编程语言，而是一种用于创建更好更快以及交互性更强的Web应用…...

编程日记 2025/6/29 10:21:13

小数第n位--快速幂+数学

1.快速幂，a*10的n2次方/b可以实现整数位3位是答案，但是数太大会超限，就要想取余 2.要是取前三位的话，那么肯定就是结果取余1000，对于除法来说，就是分母取余b*1000； 蓝桥账户中心 #include<…...

编程日记 2025/7/1 4:33:05

Python包管理工具uv 国内源配置

macOS 下 .config/uv/uv.toml内 pip源 [[index]] url "https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple/" default true#uv python install 下载源配置无效，需要在项目里配置 # python-install-mirror "https://mirror.nju.edu.cn/githu…...

编程日记 2025/6/27 23:36:52

RK3588 RKNN ResNet50推理测试

RK3588 RKNN ResNet50推理测试一、背景二、性能数据三、操作步骤3.1 安装依赖3.2 安装rknn-toolkit,更新librknnrt.so3.3 下载推理图片3.4 生成`onnx`模型转换脚本3.5 生成rknn模型3.6 运行rknn模型一、背景在嵌入式设备上进行AI推理时，我们面临着算力有限、功耗敏感等挑战…...

编程日记 2025/6/27 22:53:47

RUP的9个核心工作流在电商平台项目中的拆解

以下是对RUP的9个核心工作流在电商平台项目中的每个步骤的极度细化拆解，包含具体操作、角色分工、输入输出和案例细节： 1. 业务建模（Business Modeling）步骤拆解：识别业务参与者操作：与市场部、运营部开会，列出所有业务角色（买家、卖家、物流商、支付网关）。输…...

编程日记 2025/6/27 23:01:54

C++类和对象（2）

类的默认成员函数类的6个默认成员函数：构造函数、析构函数、拷贝构造函数、赋值运算符重载、取地址& 及 const取地址操作符重载。默认成员函数：用户可以实现，但当不显式实现时，编译器会自动生成的成员函数。构造函数 …...

编程日记 2025/6/27 21:29:24

I.MX6U Mini开发板通过GPIO口测试光敏传感器

原理图对应的Linux sysfs引脚编号为1，即可导出为gpio1引脚对应规则参考：https://blog.csdn.net/qq_39400113/article/details/127446205 配置引脚参数 #导出编号为1的GPIO引脚（对于I.MX6UL来说，也就是GPIO0_IO1/GPIO_1&#xff0…...

编程日记 2025/6/27 22:54:08

AI工程师系列——面向copilot编程

前言笔者已经使用copilot协助开发有一段时间了，但一直没有总结一个协助代码开发的案例，特别是怎么问copilot，按照什么顺序问，哪些方面可以高效的生成需要的代码，这一次，笔者以IP解析需求为例，沉淀一个实践案例，供大家参考当然，其实也不局限于copilot本身，类似…...

编程日记 2025/6/29 15:33:33

左手腾讯CodeBuddy 、华为通义灵码，右手微软Copilot，旁边还有个Cursor，程序员幸福指数越来越高了

当前AI编程助手的繁荣让开发者拥有了前所未有的高效工具选择。从腾讯的CodeBuddy、阿里的通义灵码，到微软的GitHub Copilot和新兴的Cursor，每个工具都有其独特的优势，让程序员可以根据项目需求和个人偏好灵活搭配使用。以下是它们的核心特点及…...

编程日记 2025/6/27 23:29:53

【VLNs篇】02：NavGPT-在视觉与语言导航中使用大型语言模型进行显式推理

方面 (Aspect)内容总结 (Content Summary)论文标题NavGPT: 在视觉与语言导航中使用大型语言模型进行显式推理 (NavGPT: Explicit Reasoning in Vision-and-Language Navigation with Large Language Models)核心问题探究大型语言模型 (LLM) 在复杂具身场景（特别是视…...

编程日记 2025/6/30 12:53:46

力扣-有效三角形的个数

1.题目描述 2.题目链接 611. 有效三角形的个数 - 力扣（LeetCode） 3.题目代码 class Solution {public int triangleNumber(int[] nums) {//先排序Arrays.sort(nums);//若a<b<c,三角形条件可以优化为:ab>cint tempnums.length-1,sum0;while(…...

编程日记 2025/6/30 10:58:10

[Vue]跨组件传值

父子组件传值详情可以看文章跨组件传值 Vue 的核⼼是单向数据流。所以在父子组件间传值的时候，数据通常是通过属性从⽗组件向⼦组件，⽽⼦组件通过事件将数据传递回⽗组件。多层嵌套场景⼀般使⽤链式传递的⽅式实现provideinject的⽅式适⽤于需要跨层级…...

编程日记 2025/6/27 23:34:07

Cross-Mix Monitoring for Medical Image Segmentation With Limited Supervision

ζ \zeta ζ is the hyperparameter that controls the mixture rate， u ^ m \hat{u}_m u^m是mixed version 作者未提供代码...

编程日记 2025/6/27 23:37:01

采用线性优化改进评估配电网的灵活性范围

1引言在本文中，柔性一词被定义为“响应外部信号对发电或消耗的修正”。文章组织结构如下：第二节介绍了代表典型柔性配电网资源技术局限性的线性模型；在第三节中建立了一个线性优化问题；第四节提出了聚合算法；第五节评…...

编程日记 2025/6/27 15:00:53

用户缓冲区

1. 基本概念 1.1 用户空间与内核空间用户空间（User Space）：用户应用程序运行的内存空间，具有较低的权限，无法直接访问硬件和内核数据结构。内核空间（Kernel Space）：操作系统内核运…...

编程日记 2025/6/27 23:37:52

1.4 C++之运算符与表达式

运算符与表达式教程目标掌握算术运算符（, -, *, /）和逻辑运算符（&&, ||, !）。理解表达式优先级规则。实现一个简单计算器程序。一、算术运算符：像数学课上的加减乘除 1. 四种基本运算加法（…...

编程日记 2025/6/27 23:14:29

目标检测基础知识

如今，使用最新的驾驶辅助技术（如车道检测、盲点、交通信号灯等）驾驶汽车已经很常见。如果我们退后一步来了解幕后发生的事情，我们的数据科学家很快就会意识到系统不仅对对象进行分类，而且还在场景中（实时…...

编程日记 2025/6/27 23:29:21

实时监控服务器CPU、内存和磁盘使用率

实时监控服务器CPU、内存和磁盘使用率监控内存使用率： free -g | awk NR2{printf "%.2f%%\t\t", $3*100/$2 }awk NR2{...} 取第二行（Mem 行）。 $3 为已用内存，$2 为总内存，$3*100/$2 即计算使用率。监控磁…...

编程日记 2025/6/27 23:07:34

前端JavaScript-嵌套事件

点击如果在多层嵌套中，对每层都设置事件监视器，试试看 <!DOCTYPE html> <html lang"cn"> <body><div id"container"><button>点我！</button></div><pre id"output…...

编程日记 2025/6/27 22:59:31

【ULR #1】打击复读（SAM， DAG链剖分）

好牛的题。 DAG链剖分好牛的 trick。题意给定一个字符集大小为 4 4 4，长度为 n n n 的字符串 S S S，同时给定两个长度为 n n n 的数组 { w l i } , { w r i } \{wl_i\}, \{wr_i\} {wli},{wri}。定义一个字符串 T T T 的左权值为 v l ( T…...

编程日记 2025/6/27 23:21:27

Web3 领域中的一些专业术语

1. Uniswap 是什么： Uniswap 是一个去中心化的交易所，运行在以太坊区块链上，相当于一个“无人管理的货币兑换市场”。它允许用户直接用加密钱包（如 MetaMask）交换不同类型的数字货币（称为代币）…...

编程日记 2025/7/1 1:25:35

Vue组件通信方式及最佳实践

1. Props / 自定义事件 (父子通信) 使用场景父子组件直接数据传递代码实现  <template><Child :message"parentMsg" update"handleUpdate" /> </template><script setup> import { ref } from vue…...

编程日记 2025/6/27 23:33:50

JUC并发编程（下）

五、共享模型之内存 JMM（java内存模型） 主存：所有线程共享的数据（静态成员变量、成员变量） 工作内存：每个线程私有的数据（局部变量） 简化对底层的控制可见性问题线程t通过r…...

编程日记 2025/6/30 1:31:14

Go语言中new与make的深度解析

在 Go 语言中，new 和 make 是两个用于内存分配的内置函数，但它们的作用和使用场景有显著区别。理解它们的核心在于： new(T): 为类型 T 分配内存，并将其初始化为零值，然后返回一个指向该内存的指针 (*T)。make(T, ar…...

编程日记 2025/6/27 22:51:24

Xilinx 7Series\UltraScale 在线升级FLASH STARTUPE2和STARTUPE3使用

一、FPGA 在线升级 FPGA 在线升级FLASH时，一般是通过逻辑生成SPI接口操作FLASH，当然也可以通过其他SOC经FPGA操作FLASH，那么FPGA就要实现在启动后对FLASH的控制。对于7Series FPGA，只有CCLK是专用引脚，SPI接口均为普…...

编程日记 2025/6/27 22:51:26

redisson-spring-boot-starter 版本选择

以下是更详细的 Spring Boot 与 redisson-spring-boot-starter 版本对应关系，按照 Spring Boot 主版本和子版本细分： 1. Spring Boot 3.x 系列 3.2.x 推荐 Redisson 版本：3.23.1（最新稳定版，兼容 Redis 7.x&#xf…...

编程日记 2025/6/27 21:14:10

QML定时器Timer和线程任务WorkerScript

定时器 Timer 属性 interval: 事件间隔毫秒repeat: 多次执行，默认只执行一次running: 定时器启动triggeredOnStart: 定时器启动时立刻触发一次事件信号 triggered(): 定时时间到，触发此信号方法 restart(): 重启定时器start(): 启动定时器stop(): 停止…...

编程日记 2025/6/27 22:51:16

引言

一、Levenshtein距离（编辑距离）

1.1 算法原理

1.2 Java实现

1.3 springboot中实现

二、Jaro-Winkler相似度

2.1 算法特点

2.2 Java实现

三、余弦相似度（向量空间模型）

3.1 实现步骤

3.2 Java实现

3.3 简化版

四、Jaccard系数

4.1 算法原理

4.2 Java实现

4.3 简化版

五、N-gram相似度

5.1 实现示例（Bigram）

六、算法对比与选型建议

七、性能优化技巧

八、完整测试示例

结语

相关文章：