Calculadora similaridade Sørensen–Dice

O coeficiente de Sørensen–Dice é uma medida clássica de similaridade difusa entre strings construída a partir de bigramas de caracteres compartilhados, e não de igualdade exata nem de caminhos de edição completos. Dadas duas sequências de texto, esta calculadora extrai cada par consecutivo de caracteres em cada string, trata esses pares como multiconjuntos e devolve o dobro do tamanho da interseção dividido pela soma dos tamanhos dos dois multiconjuntos. A pontuação fica entre zero e um: strings idênticas dão um, bolsas de bigramas completamente disjuntas dão zero, e coincidências próximas do dia a dia, como night versus nite ou tokens curtos reordenados, ficam no meio. Como o método depende de pares sobrepostos em vez de alinhamento global, tolera pequenas diferenças de ortografia e é menos frágil à ordem das palavras do que a distância de Levenshtein pura ao comparar rótulos do tipo bolsa. Estudantes, engenheiros de dados e equipes de produto usam-no para pistas de deduplicação, atributos de ranking de busca e checagens de lição de casa sem montar uma pilha de aprendizado de máquina.

Como o coeficiente de bigramas Sørensen–Dice é definido

Comece com duas strings A e B. Forme o multiconjunto de bigramas de caracteres de cada string: para uma string de comprimento n você obtém n menos um pares sobrepostos, de modo que night produz ni, ig, gh, ht. Conte quantas vezes cada par aparece para que letras repetidas contribuam com vários tokens em vez de uma única associação de conjunto.

O tamanho da interseção é a soma, sobre cada bigrama distinto, do mínimo de suas contagens em A e em B. O coeficiente de Sørensen–Dice é então o dobro dessa interseção dividido pelo total de bigramas em A mais o total em B. Quando ambas as strings normalizadas estão vazias ou são idênticas, o coeficiente é definido como um.

Quando diferem e pelo menos uma tem menos de dois caracteres, não há bigramas comparáveis e o coeficiente é zero. A fórmula é totalmente determinística e independente da colação de locale além da indexação Unicode habitual, o que mantém resultados estáveis em testes automatizados e implantações multi-região. Isto não é similaridade semântica: apple e fruit não compartilham pares de caracteres e pontuam perto de zero embora um humano possa vê-los como relacionados.

Use ferramentas baseadas em embeddings quando o significado importar; use Dice quando a forma superficial e a proximidade ortográfica importarem.

Onde a similaridade difusa por bigramas agrega valor em produtos

Equipes de catálogo e CRM aplicam uma calculadora de similaridade de strings Sørensen–Dice ao mesclar nomes de empresas, títulos de produto ou linhas de endereço quase duplicados que diferem em poucos caracteres sem configurar busca difusa de texto completo. Engenheiros de busca e ranking usam o coeficiente como atributo lexical barato ao lado de BM25 ou sobreposição de tokens, sobretudo em consultas e títulos curtos em que pares de caracteres capturam typos melhor do que a igualdade de palavra inteira.

Scripts de localização e QA de conteúdo marcam strings candidatas quase idênticas após edições de memória de tradução para que os revisores foquem no desvio real de significado e não em variantes ortográficas acidentais. Plataformas de sala de aula e preparação para entrevistas precisam de um oráculo determinístico da fórmula de livro didático para que os estudantes verifiquem exercícios com pares no estilo night versus nacht e vejam interseção e contagens de bigramas, não apenas uma pontuação de caixa-preta.

Prefira esta ferramenta quando quiser uma fórmula de multiconjunto explicável; mude para distância de edição quando custos de inserção e exclusão dominarem, ou para embeddings quando a meta do produto for relação semântica. Mantenha entradas curtas quando possível, fixe coefficient e intersection nos testes e você obtém pontuações difusas reproduzíveis sem banco de dados vetorial nem GPU.