在日常應用中，文字比較是乙個比較常見的問題。文字比較演算法也是乙個老生常談的話題。
文字比較的核心就是比較兩個給定的文字（可以是位元組流等）之間的差異。目前，主流的比較文字之間的差異主要有兩大類。一類是基於編輯距離（edit distance）的，例如ld演算法。一類是基於最長公共子串的（longest common subsequence），例如needleman/wunsch演算法等。
ld演算法（levenshtein distance）又成為編輯距離演算法（edit distance）。他是以字串a通過插入字元、刪除字元、替換字元變成另乙個字串b，那麼操作的過程的次數表示兩個字串的差異。
例如：字串a：kitten如何變成字串b：sitting。
第一步：kitten——》sitten。k替換成s
第二步：sitten——》sittin。e替換成i
第三步：sittin——》sitting。在末尾插入g
故kitten和sitting的編輯距離為3
樓主一開始遇到這個問題的時候也是思考良久，覺得利用r語言很難實現，但是r最大的優點就是包多，經過千辛萬苦的谷歌翻牆搜尋，讓我找到了解決方法：
例題：設計乙個演算法，求下列所示專業名稱中與「電腦科學與技術」最相似的名稱：
1、電腦科學與應用，2、計算機科學技術，3、金融學電腦科學與應用，4、計算科學與技術
**如下：
k1<-「電腦科學與技術」[1] 「計算機科學技術」 「計算科學與技術」k2<-『電腦科學與應用』
k3<-『計算機科學技術』
k4<-『金融學電腦科學與應用』
k5<-『計算科學與技術』
kn<-c(k2,k3,k4,k5)
agrep(k1,kn,max =1.1, value = true,usebytes = t,costs = null)
其中引數max控制的是可以匹配的最大距離，usebytes控制的是按照字元比較還是bytes比較。
下面貼出乙個演算法，返回一組資料中所有相似的字串
［1］[1] 「電腦科學與技術」 「計算機科學技術」 「計算科學與技術」
［2］
[1] 「電腦科學與應用」 「金融學電腦科學與應用」
［3］
[1] 「電腦科學與技術」 「計算機科學技術」
［4］
[1] 「金融學電腦科學與應用」
用R語言進行文字挖掘和主題建模
我們每天都會遇到各種各樣的文字資料，但大部分是非結構化的，並不是全部都是有價值的。我們閱讀的書籍，部落格，新聞文章，網頁，電子郵件等都是文字資料。所有這些文字都為我們提供了大量的資訊，並不斷增長。但是，並非所有的資料都是有用的。我們過濾掉噪音，只保留重要的資訊。這是乙個乏味的過程，但作為人類，我們需...
用R語言進行文字挖掘和主題建模
我們每天都會遇到各種各樣的文字資料，但大部分是非結構化的，並不是全部都是有價值的。我們閱讀的書籍，部落格，新聞文章，網頁，電子郵件等都是文字資料。所有這些文字都為我們提供了大量的資訊，並不斷增長。但是，並非所有的資料都是有用的。我們過濾掉噪音，只保留重要的資訊。這是乙個乏味的過程，但作為人類，我們需...
用R語言進行文字挖掘和主題建模
我們每天都會遇到各種各樣的文字資料，但大部分是非結構化的，並不是全部都是有價值的。我們閱讀的書籍，部落格，新聞文章，網頁，電子郵件等都是文字資料。所有這些文字都為我們提供了大量的資訊，並不斷增長。但是，並非所有的資料都是有用的。我們過濾掉噪音，只保留重要的資訊。這是乙個乏味的過程，但作為人類，我們需...