Coeficiente de Dice

El coeficiente de Sørensen–Dice es una medida clásica de solapamiento de conjuntos que se aplica con naturalidad a las cadenas cuando cada una se representa como el multiconjunto de sus bigramas de caracteres: cada par de caracteres adyacentes de izquierda a derecha. A diferencia de la distancia de edición, que cuenta inserciones y eliminaciones, Dice devuelve una similitud acotada en el intervalo cerrado de cero a uno, de modo que usted puede fijar umbrales sin reescalar según la longitud. Esta capacidad acepta dos textos, opcionalmente unifica mayúsculas y minúsculas, construye los multiconjuntos de bigramas y devuelve el coeficiente junto con los conteos de bigramas y el total de pares compartidos. Las cadenas idénticas siempre puntúan uno; una cadena de menos de dos caracteres frente a un compañero distinto puntúa cero porque no hay bigramas que se solapen.

Qué mide el coeficiente de Dice con bigramas de caracteres

Sørensen–Dice se definió para conjuntos finitos como el doble del tamaño de la intersección dividido por la suma de los tamaños de los conjuntos. Para la comparación difusa de cadenas, los tokens naturales son los bigramas de caracteres: para una cadena de longitud n se forman los n menos uno pares ordenados de caracteres consecutivos, contando duplicados cuando el mismo par se repite.

Esa visión de multiconjunto importa en cadenas con letras repetidas o patrones rítmicos, porque un par compartido solo puede contribuir hasta el mínimo de sus conteos en cada texto. La fórmula es, por tanto, dice igual a dos veces el tamaño de la intersección de multiconjuntos, dividido por la suma de los dos conteos de bigramas. Una puntuación de uno significa que las dos bolsas de multiconjuntos son idénticas en el sentido de bigramas, lo cual se cumple cuando las cadenas normalizadas son iguales.

Una puntuación de cero significa que no comparten ningún par adyacente, algo habitual en palabras cortas no relacionadas. Los valores intermedios cuantifican el solapamiento parcial: night frente a nacht comparte el par ht una vez entre cuatro bigramas por lado cuando se tienen en cuenta las longitudes, produciendo un coeficiente medio en lugar de una coincidencia binaria.

Como la medida es simétrica y libre de escala en el sentido de que numerador y denominador crecen con la longitud, se usa mucho en enlace de registros, búsqueda tolerante a errores tipográficos y detección de casi-duplicados cuando usted necesita un único número comparable sin entrenar un modelo.

Dónde la similitud de Dice aporta valor en productos y canalizaciones

La búsqueda de productos y la higiene de catálogo usan una calculadora del coeficiente de Dice para señalar títulos casi duplicados que difieren por una palabra intercambiada o una letra faltante sin montar embeddings. Las herramientas de atención al cliente comparan asuntos de tickets en texto libre con un banco de plantillas conocidas y enrutan las puntuaciones altas a macros.

Los trabajos de limpieza de datos en CRM y logística emparejan nombres de ciudades, SKU y nombres de personas entre sistemas que discrepan en mayúsculas o diacríticos cuando la unificación de mayúsculas está activa. La validación fallida no consume saldo. Mantenga cadenas modestas para uso interactivo, fije coefficient en las pruebas a doce decimales y obtendrá puntuaciones difusas reproducibles para demos de deberes, plugins LMS y workers de borde sin importar una biblioteca completa de coincidencia difusa propia.