下記が50%だとすると、
天下
天一
下記は類似度何%になるでしょうか?
・一致数4 ÷ 全文字数22 × 100 = 22%でしょうか?
・また、この場合、「天下」から見た「天下一武道会へ出場してみたいけど」も、「天下一武道会へ出場してみたいけど」から見た「天下」の類似度も同じ?
天下
天下一武道会へ出場してみたいけど
その他、どんな「算出方法」や「考え方」があるか知りたいです
定番といえるようなアルゴリズムがあるのかどうか、私が検索した限りでは見つけられませんでした。「レーベンシュタイン距離」を用いるなら、想定される最大コストをmc,レーベンシュタイン距離をldとして、
類似度(%) = (mc-ld)/mc * 100
とすると、
'天下':'天一'->50%
'天下':'天下一武道会へ出場してみたいけど'->12%
'天下一武道会へ出場してみたいけど':'天下'->12%
'天下':'武道会へ出場してみたいけど'->0%
'天一':'天下一武道会へ出場してみたいけど'->12%
なんて結果になります。
レーベンシュタイン距離の計算はネットで見つけたJavaScript版のIterative with full matrix相当のもの、「想定される最大のコスト」はmc = Math.max(str1.length, str2.length)
で計算しています。(どちらもサロゲートペアの文字は考慮されていません。)
どなたかが、定番のアルゴリズムを見つけてこられた場合、単なるお茶濁しとなりますが、参考まで。
クラスタリングを利用するという手もあります。
この場合、学習データにより、類似度が異なることになります。
http://qiita.com/shima_x/items/196e8d823412e45680e9
なんらかのジャンルにより異なった結果が欲しい場合は、こちらが適しているかと思いますが、単純にどの程度編集すると、その文字列になるのかという解が欲しいのであれば、すでに提示されている方法が適していると思います。