Calculadora similitud Sørensen–Dice

El coeficiente de Sørensen–Dice es una medida clásica de similitud difusa entre cadenas basada en bigramas de caracteres compartidos, no en igualdad exacta ni en caminos de edición completos. Dadas dos cadenas, esta calculadora extrae cada par consecutivo de caracteres, las trata como multisconjuntos y devuelve el doble del tamaño de su intersección dividido por la suma de los tamaños de ambos multisconjuntos. La puntuación queda entre cero y uno: las cadenas idénticas dan uno, los bolsas de bigramas disjuntos dan cero, y las coincidencias cercanas del día a día, como night frente a nite o tokens cortos reordenados, quedan en medio. Como el método depende de pares solapados y no de un alineamiento global, tolera pequeñas diferencias de ortografía y es menos frágil al orden de las palabras que la distancia de Levenshtein pura al comparar etiquetas tipo bolsa. Estudiantes, ingenieros de datos y equipos de producto lo usan para pistas de deduplicación, rasgos de ranking de búsqueda y comprobaciones de deberes sin montar un stack de aprendizaje automático.

Cómo se define el coeficiente de bigramas Sørensen–Dice

Parta de dos cadenas A y B. Forme el multisconjunto de bigramas de caracteres de cada una: para una cadena de longitud n obtiene n menos uno pares solapados, de modo que night produce ni, ig, gh, ht. Cuente cuántas veces aparece cada par para que las letras repetidas aporten varios tokens y no una sola pertenencia de conjunto.

El tamaño de la intersección es la suma, sobre cada bigrama distinto, del mínimo de sus conteos en A y en B. El coeficiente de Sørensen–Dice es entonces el doble de esa intersección dividido por el total de bigramas en A más el total en B. Cuando ambas cadenas normalizadas están vacías o son idénticas, el coeficiente se define como uno.

Cuando difieren y al menos una tiene menos de dos caracteres, no hay bigramas comparables y el coeficiente es cero. La fórmula es plenamente determinista e independiente de la colación de locale más allá de la indexación Unicode habitual, lo que mantiene resultados estables en pruebas automáticas y despliegues multi-región. Esto no es similitud semántica: apple y fruit no comparten pares de caracteres y puntúan cerca de cero aunque un humano las vea relacionadas.

Use herramientas basadas en embeddings cuando importe el significado; use Dice cuando importen la forma superficial y la proximidad ortográfica.

Dónde la similitud difusa por bigramas aporta valor en productos

Los equipos de catálogo y CRM aplican una calculadora de similitud de cadenas Sørensen–Dice al fusionar nombres de empresa, títulos de producto o líneas de dirección casi duplicados que difieren en pocos caracteres sin configurar búsqueda difusa de texto completo. Los ingenieros de búsqueda y ranking usan el coeficiente como rasgo léxico barato junto a BM25 o solapamiento de tokens, sobre todo en consultas y títulos cortos donde los pares de caracteres capturan typos mejor que la igualdad de palabra entera.

Los scripts de localización y control de calidad de contenido marcan cadenas candidatas casi idénticas tras ediciones de memoria de traducción para que los revisores se centren en el desvío de significado real y no en variantes ortográficas accidentales. Las plataformas de aula y preparación de entrevistas necesitan un oráculo determinista de la fórmula de libro de texto para que el alumnado compruebe ejercicios con pares tipo night frente a nacht y vea intersección y conteos de bigramas, no solo una puntuación de caja negra.

Prefiera esta herramienta cuando quiera una fórmula de multisconjunto explicable; pase a distancia de edición cuando dominen inserciones y borrados, o a embeddings cuando el objetivo de producto sea la relación semántica. Mantenga entradas cortas cuando pueda, fije coefficient e intersection en las pruebas y obtendrá puntuaciones difusas reproducibles sin base de datos vectorial ni GPU.