文書比較 (diff)

文書比較
MATSUURA Satoshi
matsuura@is.naist.jp

1

文書の差分(diff)を
求めるとは

2

どの部分に文字を追加し、
どの部分の文字を削除するか
見極めること

3

ラジオ→ラジコンの例
ラジオ
共通-ララジオ
共通-ジラジオ
削除-オラジ
追加-コラジコ
追加-ンラジコン
ラジコン
4

diffに関する基礎用語

• Levenshtein Distance (編集距離)

• 追加、削除の合計数

• LCS (Longest Common Subsequence)
• 最長共通部分列

• SES (Shortest Edit Script)
• 最小の変換手順

5

ラジオ
LCS: ラジ
SES
共通-ララジオ
共通-ジラジオ
削除-オラジ
編集距離: 3
追加-コラジコ
追加-ンラジコン
ラジコン

6

Edit Graphの作成

7

問題設定

みんかんじん

みかんせいじん

8

各文書をｘ,ｙ方向に並べ格子を作る
Y


み
ん
x か
ん
じ
ん
9

共通の文字が交差する点を探す
Y


み
ん
x か
ん
じ
ん
10

共通の文字が存在する点(x,y)へは
点(x-1, y-1)から移動することを可能とする
Y


み
ん
x か
ん
じ
ん
11

点S→点Gへの最小経路を求める
Y

S みかんせいじん

み
ん
x か
ん
じ
ん
G
12

編集距離、LCS、SESが求まる
つまり、diffが求まる
Y

共通
み
削除
ん
共通
x か削除
共通
ん追加追加
共通
じ
共通
ん
追加
13

diffアルゴリズム

Edit Graph上でどのような
手順で最短経路を求めるか

14

• 原点から順次コストを計算していく

• x+y=1, 2, 3・・・方向に計算していく

• 要はダイクストラ法

• O(MN)

• M、N: 比較対象の各文字列長

• マス目の数に比例してコスト計算が必要

16

Y

1

1 0
み
ん
x か
ん
じ
ん
n コスト確定 n コスト未確定
17

Y

1 2

1 0
み
2
ん
x か
ん
じ
ん
18

Y

1 2 3

1 0 1
み
2 1
ん
3
x か
ん
じ
ん
19

Y

1 2 3 4

1 0 1 2
み
2 1 2 1
ん
3 2 1
x か
4
ん
じ
ん
20

Y

1 2 3 4 5

1 0 1 2 3
み
2 1 2 1
ん
3 2 1
x か
4 3
ん
5
じ
ん
以下、繰り返し 21

動的計画法の改善案

22

• 編集回数に着目

• D=1, 2, 3・・・と増やしていく

• 通過済みの経路は通らない

• 通過済みの経路を通ると編集回数が必ず増加

23

Y

D=0

み
ん
x か
ん
じ
ん
24

Y

D=1

み
ん
x か
ん
じ
ん
25

Y

D=2

み
ん
x か
ん
じ
ん
26

Y

D=3

み
ん
x か
ん
じ
ん
27

Myers’ algorithm
O(ND) algorithm

28

k=y-xの線を引くと

み
ん
か k=4

ん k=3

じ k=2

ん
k=-3 k=-2 k=-1 k=0 k=1
29

• 編集回数Dと対角線kの関係

• D=iの時、kの範囲は -i ≦ k ≦ i

• V[k, D]の定義

• 編集回数Dの時の対角線k上でのyの最大値

30

編集回数が1増加すると
隣の対角線に移れる

31

逆にk=iの時、どこから
移るのが一番良いか
考えてみよう

32

k=iに移る前はk=i-1, i+1上
かつ、編集回数が1つ少ない

k=i-1, k=i+1のどちらから移っ
た方が得か考える
33

V[k, D]の求め方
• V[k,D]はV[k+1, D-1]とV[k-1, D-1]より求まる
Y
• ① Aの座標を求める
!"#$%&'()%*
• V[k+1, D-1] or V[k-1, D-1]+1の大きい方が
Aのy座標の値になる。編集距離+1

x 編集距離+1
• xの座標はk=y-xにより求まる !"#)%&'()%* +
k+1

!"#&'(*
• ② Aから斜めに可能な限り移動する
,
k

k-1

34

Y

D=0
V[0, 0]

x k=4

k=3

k=2

k=-3 k=-2 k=-1 k=0 k=1
35

Y

D=1
V[0, 0]

V[1, 1]

x k=4

k=3
V[-1, 1]

k=2

k=-3 k=-2 k=-1 k=0 k=1
36

Y

D=2
V[0, 0]

V[1, 1]

V[2, 2]

x k=4

V[-1, 1] k=3
V[0, 2]

k=2
V[-2, 2]

k=-3 k=-2 k=-1 k=0 k=1
37

Y

D=3
V[0, 0]

V[1, 1]

V[3, 3]
V[2, 2]

x k=4
V[-1, 1] V[0, 2]

k=3

V[-2, 2] V[-1,3] k=2

V[-3, 3] V[1,3]

k=-3 k=-2 k=-1 k=0 k=1
38

Wu’s algorithm
O(NP) algorithm

39

Δ=N-Mと定義すると
最終到達点は必ずk=Δ上
k=Δの対角線を中心に考える

40

N=7
Δ=1

k=Δ
M=6 k=4

k=3

k=2

k=-3 k=-2 k=-1 k=0 k=1
41

最善でも編集距離D＝Δ
k=0,1,･･･Δの範囲で点Gに到達できるか
S Δ

k=Δ

42 G

点Gに到達できない場合は探索範囲を広げる
探索範囲を広げた量をPで表す
S Δ p=1

k=Δ

43 G

Pの値は回経路の量も示し、
D = Δ + 2P の関係が成り立つ
S Δ p=2

k=Δ

44 G

• 編集回数DとPの関係

•D = Δ + 2P (P迂回した分、戻ってくる必要あり)

• fp[k, p]の定義

• P=pにおいて対角線k上におけるyの最大値

45

Myersのアルゴリズム同様に
k=i上での点を決める際
どこから移ると得か、考える

46

k=Δの対角線を中心に考え、
k=Δから遠い対角線上の点か
ら順に決定していく

47

1.外側から内側に向かってfpを算出
2.最後にk=Δ上での位置を求める
S Δ p

48 G

fp[k,p]の求め方
• 1aの領域内(-p ≦ k < Δ)

• k=Δに近づく方向はy方向 Y
S ! p
• fp[k-1,p]+1, fp[k+1,p-1]の大きい方が移動先のy座
標。k=y-xによりx座標が求まる。
1b
• 斜めに移動できるだけ移動する

• 1bの領域内(Δ < k ≦ p)
x 1a
• k=Δに近づく方向はx方向 2
• fp[k+1,p], fp[k-1,p-1]+1の大きい方が移動先のy座
標。k=y-xによりx座標が求まる。 G


• 2の領域(k=Δ)

• fp[k-1,p]+1, fp[k+1,p]の大きい方が移動先のy座標。
k=y-xによりx座標が求まる。

49

Y

P=0

み
fp[0, 0] fp[1, 0]

ん
x か k=4

ん k=3

じ k=2

ん
k=-3 k=-2 k=-1 k=0 k=1
50

Y

P=1
fp[0, 0]

み
fp[1, 0]

ん fp[2, 1]

x か k=4

ん fp[-1, 1] fp[0, 1]
k=3

じ k=2

ん fp[1, 1]

k=-3 k=-2 k=-1 k=0 k=1
51

参考文献
• 文書比較アルゴリズム

• http://hp.vector.co.jp/authors/VA007799/viviProg/doc5.htm

• diff(1), diff(2), diff(3)

• http://www.slash-zero.jp/archives/program/466



• Diff

• http://www.slideshare.net/cubicdaiya/diff-2660306

• diff with C++

• http://labs.unoh.net/2008/11/diff_with_c.html

52

文書比較 (diff)

More Related Content

What's hot

Similar to 文書比較 (diff)

文書比較 (diff)

Editor's Notes