Dice係数類似度
nightとnachtのスコアは0.25です。どちらも文字ペアが4つあり、共通するのはhtだけです。Dice係数は共通ペアなしの0から同一の1までの数値で、ほぼ同じ名前やタイトルの発見に役立ちます。ブラウザで無料で使えます。
- 無料
- ブラウザで動作
- 登録不要
- データは端末の外に出ません
無料で実行
計算例
- テキスト a
- night
- テキスト b
- nacht
- 係数
- 0.25
- パーセント
- 25
- Aのバイグラム
- 4
- Bのバイグラム
- 4
Sørensen–Dice係数は、有限集合の重なりを測る古典的指標で、各文字列を文字バイグラム（左から右へ隣接する文字の組）の多重集合として表すと文字列比較にきれいに写せます。挿入・削除を数える編集距離と異なり、Diceは0から1の閉区間に収まる類似度を返すため、文字列長ごとに再スケールせず閾値を設定できます。本機能は2つのテキストを受け取り、任意で大文字小文字を揃え、バイグラム多重集合を構築し、係数とともにバイグラム数と共有ペア数を返します。同一文字列は常に1、2文字未満の文字列が異なる相手と対になると共有バイグラムがないため0になります。
文字バイグラムDice係数が測るもの
Sørensen–Diceは有限集合について、共通部分の大きさの2倍を両集合の大きさの和で割ったものとして定義されました。ファジーな文字列比較では自然なトークンが文字バイグラムです。長さnの文字列から連続する文字の順序付きペアをnマイナス1個作り、同じペアが繰り返されれば重複も数えます。
この多重集合の見方は、同じ文字が繰り返される文字列やリズムのあるパターンで重要です。共有ペアは各テキストでの出現回数の最小値までしか寄与できないからです。したがって式は、dice＝多重集合の共通部分の大きさの2倍÷両バイグラム数の和となります。
スコア1は正規化後の文字列が等しいときに成り立つ、バイグラム意味での多重集合バッグの一致を示します。スコア0は隣接ペアを一切共有しないことを意味し、短く無関係な語ではよく起きます。その間の値は部分的な重なりを定量化します。
nightとnachtは長さを考慮すると各側4バイグラムのうちhtを1回共有し、二値一致ではなく中程度の係数になります。分子・分母が長さとともに増えるという意味で尺度に依存しにくく対称なため、レコード突合、誤字に強い検索、準重複検出など、モデル学習なしで比較可能な単一数値が欲しい場面で広く使われます。
製品とパイプラインでDice類似度が効く場面
商品検索やカタログ整備では、単語の入れ替えや欠けた1文字で違う準重複タイトルを、埋め込みを立てずにDice係数計算機で洗い出します。カスタマーサポートでは自由記述のチケット件名を既知テンプレート群と比較し、高スコアをマクロへ回します。
CRMや物流のデータ清掃では、大文字小文字の折りたたみを有効にすると、表記やダイアクリティカルの食い違う都市名・SKU・人名を突合できます。検証失敗は残高を消費しません。
対話用途では文字列を控え、テストではcoefficientを小数第12位で固定すれば、宿題デモ、LMSプラグイン、エッジWorker向けに再現可能なファジー得点が得られ、自前の完全なファジー照合ライブラリは不要です。
活用例
準重複タイトルとSKUの検査
商品タイトルやカタログSKU同士を文字バイグラムDiceで採点し、マージや公開前に選んだ閾値を超えるペアをフラグします。
誤字に強い検索とオートコンプリート
辞書や直近の検索に対して0〜1のDiceスコアでクエリ文字列を並べ、長さごとの編集距離調整なしでほぼ一致を浮かび上がらせます。
レコード突合とCRMの整理
インポート間で氏名・都市・自由記述欄を、任意の大文字小文字折りたたみ付きで比較し、人手確認前にファジー一致をクラスタします。
よくある質問
文字列のSørensen–Dice係数とは何ですか？
文字バイグラムの多重集合の共通部分の2倍を、両バイグラム数の和で割ったものです。結果はファジー文字列比較用の0から1の類似度です。
同一または空の文字列のスコアは？
同一文字列（任意の大文字小文字折りたたみ後）は常にcoefficient 1です。空同士は同一で1、空と非空は0です。
意味的なテキスト類似度と同じですか？
いいえ。 本機能は文字バイグラムのみを使い、意味は埋め込みません。意味の近さには意味類似ツールを、表記のファジー照合と表層形にはDiceをお使いください。
Dice係数はどう計算しますか？
共通する文字ペアの数の2倍を、両方のテキストのペアの合計で割ります。nightとnachtはそれぞれ4ペアで、共通はhtの1つなので、2を8で割った0.25になります。
大文字と小文字でスコアは変わりますか？
初期設定では区別するため、Nightとnightは同一になりません。区別をオフにすると、ペアを比べる前に両方を小文字にするので、Nightとnightのスコアは1になります。
関連ツール
開発者向け — APIアクセス
このページの機能はすべてAPIからも利用できます。自社システムに組み込みたいチーム向けのセクションです。それ以外の方は上のツールをそのままお使いください。
エンドポイント
Bearerトークンで認証し、POST1回でタスクをキューに登録します。結果はWebhookまたは署名付きリンクで受け取れます。
お使いのスタックから呼び出す
curl -X POST https://api.kit.forhosting.com/str/dice-coefficient \
-H "Authorization: Bearer $KIT_KEY" \
-H "Content-Type: application/json" \
-d '{"text_a":"night","text_b":"nacht"}'const res = await fetch("https://api.kit.forhosting.com/str/dice-coefficient", {
method: "POST",
headers: {
"Authorization": `Bearer ${process.env.KIT_KEY}`,
"Content-Type": "application/json"
},
body: JSON.stringify({
"text_a": "night",
"text_b": "nacht"
})
});
const { task_id } = await res.json();import os, requests
res = requests.post(
"https://api.kit.forhosting.com/str/dice-coefficient",
headers={"Authorization": f"Bearer {os.environ['KIT_KEY']}"},
json={
"text_a": "night",
"text_b": "nacht"
},
)
task_id = res.json()["task_id"]<?php
$res = file_get_contents("https://api.kit.forhosting.com/str/dice-coefficient", false, stream_context_create([
"http" => [
"method" => "POST",
"header" => "Authorization: Bearer " . getenv("KIT_KEY") . "\r\nContent-Type: application/json",
"content" => '{"text_a":"night","text_b":"nacht"}',
],
]));
$task = json_decode($res, true);body := bytes.NewBufferString(`{"text_a":"night","text_b":"nacht"}`)
req, _ := http.NewRequest("POST", "https://api.kit.forhosting.com/str/dice-coefficient", body)
req.Header.Set("Authorization", "Bearer "+os.Getenv("KIT_KEY"))
req.Header.Set("Content-Type", "application/json")
res, _ := http.DefaultClient.Do(req)リクエスト例
{
"text_a": "night",
"text_b": "nacht"
}レスポンス例
{
"task_id": "tsk_a1b2c3d4e5f6a1b2c3d4e5f6",
"type": "str.dice_coefficient",
"status": "queued",
"_links": {
"result": "/tasks/tsk_…/result"
}
}非同期APIです。task_idは即時に返ります。ポーリングは1秒あたり1リクエストまでです。
料金
単価はすべて公開しています。トークン換算や独自クレジットはありません。失敗したタスクは課金されません。
エラー
| HTTP | コード | 意味 |
|---|---|---|
401 | unauthorized | APIキーが無効か、指定されていません。Authorizationヘッダーを確認してください。 |
402 | insufficient_balance | 残高が不足しています。チャージ後に再度お試しください。 |
404 | unknown_type | 指定されたタスクタイプは存在しません。タイプ名を確認してください。 |
429 | rate_limited | リクエストが多すぎます。しばらく待ってから再度お試しください。 |
技術的な注記
入力契約、オプション、応答の形
どちらの文字列も空で構いません。空対空は同一とみなし係数1、空対非空は0を返します。falseにするとバイグラム抽出前に言語標準のtoLowerCaseで両側を小文字化します。例えばcoefficientが0.8以上を緩い一致とするなど、閾値はご自身で設定してください。必須の文字列フィールドtext_aとtext_bを含むJSON本体をPOSTしてください（別名a、b、string_a、string_b、left、right、s1、s2、first、secondも同じ純ソルバーが受け付けます）。任意のcase_sensitiveは既定trueのためNightとnightは異なります。text_aやtext_bの非文字列、null、非真偽のcase_sensitiveはinvalid_inputとなり課金されません。APIは合否の業務ルールを決めません。ネットワーク取得、言語モデル、乱数シードはなく、同じ入力は無料ブラウザ経路とエッジWorkerで常に同じペイロードになります。
製品とパイプラインでDice類似度が効く場面
実装は純parseティアAのため、成功した呼び出しはモデルトークンも外向きネットワークもなく公開の基本料金$0.002です。
技術的な質問
Dice係数類似度APIの呼び出し方は？
text_aとtext_b（または別名aとb）を含むJSONを送ってください。任意でcase_sensitiveをfalseにできます。応答にはcoefficient、percent、バイグラム数、shared_bigramsが含まれます。
Dice係数計算機の料金は？
ブラウザツールは無料です。APIは成功した呼び出しごとにKIT前払い残高から$0.002です。無効な入力は課金されません。