zoukankan      html  css  js  c++  java
  • 文本相似度——自己实现文本相似度算法(余弦定理)

    最近由于工作项目,需要判断两个txt文本是否相似,于是开始在网上找资料研究,因为在程序中会把文本转换成String再做比较,所以最开始找到了这篇关于 距离编辑算法 Blog写的非常好,受益匪浅。

           于是我决定把它用到项目中,来判断两个文本的相似度。但后来实际操作发现有一些问题:直接说就是查询一本书中的相似章节花了我7、8分钟;这是我不能接受……

           于是停下来仔细分析发现,这种算法在此项目中不是特别适用,由于要判断一本书中是否有相同章节,所以每两个章节之间都要比较,若一本书书有x章的话,这 里需对比x(x-1)/2次;而此算法采用矩阵的方式,计算两个字符串之间的变化步骤,会遍历两个文本中的每一个字符两两比较,可以推断出时间复杂度至少 为 document1.length × document2.length,我所比较的章节字数平均在几千~一万字;这样计算实在要了老命。

           想到Lucene中的评分机制,也是算一个相似度的问题,不过它采用的是计算向量间的夹角(余弦公式),在google黑板报中的:数学之美(余弦定理和新闻分类) 也有说明,可以通过余弦定理来判断相似度;于是决定自己动手试试。

           首相选择向量的模型:在以字为向量还是以词为向量的问题上,纠结了一会;后来还是觉得用字,虽然词更为准确,但分词却需要增加额外的复杂度,并且此项目要求速度,准确率可以放低,于是还是选择字为向量。

           然后每个字在章节中出现的次数,便是以此字向量的值。现在我们假设:

           章节1中出现的字为:Z1c1,Z1c2,Z1c3,Z1c4……Z1cn;它们在章节中的个数为:Z1n1,Z1n2,Z1n3……Z1nm;

           章节2中出现的字为:Z2c1,Z2c2,Z2c3,Z2c4……Z2cn;它们在章节中的个数为:Z2n1,Z2n2,Z2n3……Z2nm;

           其中,Z1c1和Z2c1表示两个文本中同一个字,Z1n1和Z2n1是它们分别对应的个数,

           最后我们的相似度可以这么计算:

           程序实现如下:(若有可优化或更好的实现请不吝赐教)

     1 public class CosineSimilarAlgorithm {
     2     public static double getSimilarity(String doc1, String doc2) {
     3         if (doc1 != null && doc1.trim().length() > 0 && doc2 != null
     4                 && doc2.trim().length() > 0) {
     5             
     6             Map<Integer, int[]> AlgorithmMap = new HashMap<Integer, int[]>();
     7             
     8             //将两个字符串中的中文字符以及出现的总数封装到,AlgorithmMap中
     9             for (int i = 0; i < doc1.length(); i++) {
    10                 char d1 = doc1.charAt(i);
    11                 if(isHanZi(d1)){
    12                     int charIndex = getGB2312Id(d1);
    13                     if(charIndex != -1){
    14                         int[] fq = AlgorithmMap.get(charIndex);
    15                         if(fq != null && fq.length == 2){
    16                             fq[0]++;
    17                         }else {
    18                             fq = new int[2];
    19                             fq[0] = 1;
    20                             fq[1] = 0;
    21                             AlgorithmMap.put(charIndex, fq);
    22                         }
    23                     }
    24                 }
    25             }
    26 
    27             for (int i = 0; i < doc2.length(); i++) {
    28                 char d2 = doc2.charAt(i);
    29                 if(isHanZi(d2)){
    30                     int charIndex = getGB2312Id(d2);
    31                     if(charIndex != -1){
    32                         int[] fq = AlgorithmMap.get(charIndex);
    33                         if(fq != null && fq.length == 2){
    34                             fq[1]++;
    35                         }else {
    36                             fq = new int[2];
    37                             fq[0] = 0;
    38                             fq[1] = 1;
    39                             AlgorithmMap.put(charIndex, fq);
    40                         }
    41                     }
    42                 }
    43             }
    44             
    45             Iterator<Integer> iterator = AlgorithmMap.keySet().iterator();
    46             double sqdoc1 = 0;
    47             double sqdoc2 = 0;
    48             double denominator = 0; 
    49             while(iterator.hasNext()){
    50                 int[] c = AlgorithmMap.get(iterator.next());
    51                 denominator += c[0]*c[1];
    52                 sqdoc1 += c[0]*c[0];
    53                 sqdoc2 += c[1]*c[1];
    54             }
    55             
    56             return denominator / Math.sqrt(sqdoc1*sqdoc2);
    57         } else {
    58             throw new NullPointerException(
    59                     " the Document is null or have not cahrs!!");
    60         }
    61     }
    62 
    63     public static boolean isHanZi(char ch) {
    64         // 判断是否汉字
    65         return (ch >= 0x4E00 && ch <= 0x9FA5);
    66 
    67     }
    68 
    69     /**
    70      * 根据输入的Unicode字符,获取它的GB2312编码或者ascii编码,
    71      * 
    72      * @param ch
    73      *            输入的GB2312中文字符或者ASCII字符(128个)
    74      * @return ch在GB2312中的位置,-1表示该字符不认识
    75      */
    76     public static short getGB2312Id(char ch) {
    77         try {
    78             byte[] buffer = Character.toString(ch).getBytes("GB2312");
    79             if (buffer.length != 2) {
    80                 // 正常情况下buffer应该是两个字节,否则说明ch不属于GB2312编码,故返回'?',此时说明不认识该字符
    81                 return -1;
    82             }
    83             int b0 = (int) (buffer[0] & 0x0FF) - 161; // 编码从A1开始,因此减去0xA1=161
    84             int b1 = (int) (buffer[1] & 0x0FF) - 161; // 第一个字符和最后一个字符没有汉字,因此每个区只收16*6-2=94个汉字
    85             return (short) (b0 * 94 + b1);
    86         } catch (UnsupportedEncodingException e) {
    87             e.printStackTrace();
    88         }
    89         return -1;
    90     }
    91 }
     

           程序中做了两小的改进,以加快效率:

           1. 只将汉字作为向量,其他的如标点,数字等符号不处理;2. 在HashMap中存放汉字和其在文本中对于的个数时,先将单个汉字通过GB2312编码转换成数字,再存放。

           最后写了个测试,根据两种不同的算法对比下时间,下面是测试结果:

           余弦定理算法:doc1 与 doc2 相似度为:0.9954971, 耗时:22mm

           距离编辑算法:doc1 与 doc2 相似度为:0.99425095, 耗时:322mm

           可见效率有明显提高,算法复杂度大致为:document1.length + document2.length。

           原创blog,转载请注明http://my.oschina.net/BreathL/blog/42477

  • 相关阅读:
    Oracle DUL/AUL/ODU 工具说明
    Mysql 不同版本 说明
    Oracle RAC ASM disk header 备份 恢复 与 重建 示例说明
    Oracle checkpoint 说明
    Oracle RBA(Redo Byte Address) 说明
    Oracle wrap 和 unwrap( 加密与解密) 说明
    Oracle 10.2.0.5.4 Patch Set Update (PSU) – Patch No: p12419392
    Oracle RAC CSS 超时计算 及 参数 misscount, Disktimeout 说明
    Oracle 估算数据库大小的方法
    Oracle 11g 11.2.0.2 Bug 10082277 – Excessive allocation in PCUR or KGLH0 heap of “kkscsAddChildNo”
  • 原文地址:https://www.cnblogs.com/shirui/p/5542716.html
Copyright © 2011-2022 走看看