首页 / 算法 / 自己实现文本相似度算法(余弦定理)
自己实现文本相似度算法(余弦定理)
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了自己实现文本相似度算法(余弦定理),小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含3671字,纯文字阅读大概需要6分钟。
内容图文
![自己实现文本相似度算法(余弦定理)](/upload/InfoBanner/zyjiaocheng/1059/0fa85e686bcb4a5abdf8fc9717ef9b65.jpg)
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,
程序实现如下:(若有可优化或更好的实现请不吝赐教)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
|
public
class
CosineSimilarAlgorithm {
public
static
double
getSimilarity(String doc1, String doc2) {
if
(doc1 !=
null
&& doc1.trim().length() >
0
&& doc2 !=
null
&& doc2.trim().length() >
0
) {
Map<Integer,
int
[]> AlgorithmMap =
new
HashMap<Integer,
int
[]>();
//将两个字符串中的中文字符以及出现的总数封装到,AlgorithmMap中
for
(
int
i =
0
; i < doc1.length(); i++) {
char
d1 = doc1.charAt(i);
if
(isHanZi(d1)){
int
charIndex = getGB2312Id(d1);
if
(charIndex != -
1
){
int
[] fq = AlgorithmMap.get(charIndex);
if
(fq !=
null
&& fq.length ==
2
){
fq[
0
]++;
}
else
{
fq =
new
int
[
2
];
fq[
0
] =
1
;
fq[
1
] =
0
;
AlgorithmMap.put(charIndex, fq);
}
}
}
}
for
(
int
i =
0
; i < doc2.length(); i++) {
char
d2 = doc2.charAt(i);
if
(isHanZi(d2)){
int
charIndex = getGB2312Id(d2);
if
(charIndex != -
1
){
int
[] fq = AlgorithmMap.get(charIndex);
if
(fq !=
null
&& fq.length ==
2
){
fq[
1
]++;
}
else
{
fq =
new
int
[
2
];
fq[
0
] =
0
;
fq[
1
] =
1
;
AlgorithmMap.put(charIndex, fq);
}
}
}
}
Iterator<Integer> iterator = AlgorithmMap.keySet().iterator();
double
sqdoc1 =
0
;
double
sqdoc2 =
0
;
double
denominator =
0
;
while
(iterator.hasNext()){
int
[] c = AlgorithmMap.get(iterator.next());
denominator += c[
0
]*c[
1
];
sqdoc1 += c[
0
]*c[
0
];
sqdoc2 += c[
1
]*c[
1
];
}
return
denominator / Math.sqrt(sqdoc1*sqdoc2);
}
else
{
throw
new
NullPointerException(
" the Document is null or have not cahrs!!"
);
}
}
public
static
boolean
isHanZi(
char
ch) {
// 判断是否汉字
return
(ch >=
0x4E00
&& ch <=
0x9FA5
);
}
/**
* 根据输入的Unicode字符,获取它的GB2312编码或者ascii编码,
*
* @param ch
* 输入的GB2312中文字符或者ASCII字符(128个)
* @return ch在GB2312中的位置,-1表示该字符不认识
*/
public
static
short
getGB2312Id(
char
ch) {
try
{
byte
[] buffer = Character.toString(ch).getBytes(
"GB2312"
);
if
(buffer.length !=
2
) {
// 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
return
-
1
;
}
int
b0 = (
int
) (buffer[
0
] &
0x0FF
) -
161
;
// 编码从A1开始,因此减去0xA1=161
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
return
(
short
) (b0 *
94
+ b1);
}
catch
(UnsupportedEncodingException e) {
e.printStackTrace();
}
return
-
1
;
}
}
|
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
原文:http://www.cnblogs.com/qtccf/p/4562260.html
内容总结
以上是互联网集市为您收集整理的自己实现文本相似度算法(余弦定理)全部内容,希望文章能够帮你解决自己实现文本相似度算法(余弦定理)所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。