arXiv:2604.20633math.MGcs.DS2026-04
提出一种加权角度距离，用于字符串聚类与分析
A weighted angle distance on strings
- 用指数加权的n-gram向量夹角构建多尺度字符串距离
- 在DBSCAN中表现优于编辑距离和n-gram基线
- 支持线性时间计算，对重复序列鲁棒，适合文本分析
我们通过聚合所有n-gram计数向量间的夹角距离，并采用指数权重ρ^n，定义了一种字符串上的多尺度度量d_ρ。在DBSCAN聚类中，将d_ρ与编辑距离和n-gram基线进行对比，验证其有效性；提出了基于后缀树的线性时间算法以实现评估；证明了该度量的性质，包括稳定性（特别是对串联重复抖动的鲁棒性）及等距变换的刻画。
原文摘要 · Abstract (English)
We define a multi-scale metric $d_ρ$ on strings by aggregating angle distances between all $n$-gram count vectors with exponential weights $ρ^n$. We benchmark $d_ρ$ in DBSCAN clustering against edit and $n$-gram baselines, give a linear-time suffix-tree algorithm for evaluation, prove metric and stability properties (including robustness under tandem-repeat stutters), and characterize isometries.
字符串度量聚类分析后缀树
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。