Calculateur similarité Sørensen–Dice

Le coefficient de Sørensen–Dice est une mesure classique de similarité floue entre chaînes, fondée sur les bigrammes de caractères partagés plutôt que sur l’égalité exacte ou des chemins d’édition complets. À partir de deux textes, ce calculateur extrait chaque paire consécutive de caractères dans chaque chaîne, traite ces paires comme des multiensembles et renvoie le double de la taille de leur intersection divisé par la somme des tailles des deux multiensembles. Le score se situe entre zéro et un : les chaînes identiques donnent un, les sacs de bigrammes totalement disjoints donnent zéro, et les quasi-correspondances courantes comme night versus nite ou de courts jetons réordonnés se placent entre les deux. Comme la méthode repose sur des paires qui se chevauchent plutôt que sur un alignement global, elle tolère de légères différences d’orthographe et résiste mieux à l’ordre des mots que la distance de Levenshtein pure pour comparer des étiquettes de type sac. Étudiants, ingénieurs de données et équipes produit l’utilisent pour des indices de déduplication, des traits de classement de recherche et des contrôles de devoirs sans déployer une pile d’apprentissage automatique.

Comment le coefficient de bigrammes Sørensen–Dice est défini

Partez de deux chaînes A et B. Formez le multiensemble de bigrammes de caractères de chaque chaîne : pour une chaîne de longueur n vous obtenez n moins un paires qui se chevauchent, ainsi night produit ni, ig, gh, ht. Comptez combien de fois chaque paire apparaît afin que les lettres répétées contribuent plusieurs jetons plutôt qu’une seule appartenance d’ensemble.

La taille de l’intersection est la somme, sur chaque bigramme distinct, du minimum de ses comptes dans A et dans B. Le coefficient de Sørensen–Dice vaut alors deux fois cette intersection divisée par le total de bigrammes en A plus le total en B. Lorsque les deux chaînes normalisées sont vides ou identiques, le coefficient est défini comme un.

Lorsqu’elles diffèrent et qu’au moins l’une a moins de deux caractères, il n’y a pas de bigrammes comparables et le coefficient vaut zéro. La formule est entièrement déterministe et indépendante de la collation de locale au-delà de l’indexation Unicode ordinaire, ce qui stabilise les résultats pour les tests automatisés et les déploiements multi-régions. Ce n’est pas une similarité sémantique : apple et fruit ne partagent aucune paire de caractères et marquent près de zéro même si un humain les jugerait liés.

Utilisez des outils à embeddings lorsque le sens compte ; utilisez Dice lorsque la forme de surface et la proximité orthographique comptent.

Où la similarité floue par bigrammes apporte de la valeur produit

Les équipes catalogue et CRM appliquent un calculateur de similarité de chaînes Sørensen–Dice pour fusionner des noms d’entreprise, titres de produit ou lignes d’adresse quasi en double qui ne diffèrent que de quelques caractères, sans configurer une recherche floue full-text. Les ingénieurs de recherche et de ranking utilisent le coefficient comme trait lexical peu coûteux à côté de BM25 ou du chevauchement de jetons, surtout pour les requêtes et titres courts où les paires de caractères capturent les typos mieux que l’égalité de mot entier.

Les scripts de localisation et d’assurance qualité de contenu signalent des chaînes candidates presque identiques après des éditions de mémoire de traduction afin que les relecteurs se concentrent sur le vrai glissement de sens plutôt que sur des variantes orthographiques accidentelles. Les plateformes de classe et de préparation aux entretiens ont besoin d’un oracle déterministe de la formule de manuel pour que les étudiants vérifient des devoirs sur des paires du type night versus nacht et voient l’intersection et les comptes de bigrammes, pas seulement un score boîte noire.

Préférez cet outil lorsque vous voulez une formule de multiensemble explicable ; passez à la distance d’édition lorsque les coûts d’insertion et de suppression dominent, ou aux embeddings lorsque l’objectif produit est la parenté sémantique. Gardez des entrées courtes lorsque c’est possible, figez coefficient et intersection dans les tests, et vous obtenez des scores flous reproductibles sans base de données vectorielle ni GPU.