文本相似度——自己实现文本相似度算法(余弦定理)
2016-05-30 15:48
477 查看
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)
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
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:
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)
publicclassCosineSimilarAlgorithm{ publicstaticdoublegetSimilarity(Stringdoc1,Stringdoc2){ if(doc1!=null&&doc1.trim().length()>0&&doc2!=null &&doc2.trim().length()>0){ Map<Integer,int[]>AlgorithmMap=newHashMap<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(inti=0;i<doc1.length();i++){ chard1=doc1.charAt(i); if(isHanZi(d1)){ intcharIndex=getGB2312Id(d1); if(charIndex!=-1){ int[]fq=AlgorithmMap.get(charIndex); if(fq!=null&&fq.length==2){ fq[0]++; }else{ fq=newint[2]; fq[0]=1; fq[1]=0; AlgorithmMap.put(charIndex,fq); } } } } for(inti=0;i<doc2.length();i++){ chard2=doc2.charAt(i); if(isHanZi(d2)){ intcharIndex=getGB2312Id(d2); if(charIndex!=-1){ int[]fq=AlgorithmMap.get(charIndex); if(fq!=null&&fq.length==2){ fq[1]++; }else{ fq=newint[2]; fq[0]=0; fq[1]=1; AlgorithmMap.put(charIndex,fq); } } } } Iterator<Integer>iterator=AlgorithmMap.keySet().iterator(); doublesqdoc1=0; doublesqdoc2=0; doubledenominator=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]; } returndenominator/Math.sqrt(sqdoc1*sqdoc2); }else{ thrownewNullPointerException( "theDocumentisnullorhavenotcahrs!!"); } } publicstaticbooleanisHanZi(charch){ //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, * *@paramch *输入的GB2312中文字符或者ASCII字符(128个) *@returnch在GB2312中的位置,-1表示该字符不认识 */ publicstaticshortgetGB2312Id(charch){ 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; } intb0=(int)(buffer[0]&0x0FF)-161;//编码从A1开始,因此减去0xA1=161 intb1=(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(UnsupportedEncodingExceptione){ 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
相关文章推荐
- 蓝牙,WiFi(三)
- 如何用php查看 单词的发音是哪个
- 【Tsung学习】3.软件使用方法学习
- 从Profile中窥探Unity的内存管理
- 【android】:android如何实现对一个控件的监听
- js小数计算小数点后显示多位小数的实现方法
- Oracle安全警示录:加错裸设备导致redo异常
- 减少DOM元素的数量
- 数据库自增主键可能产生的问题
- 从Profile中窥探Unity的内存管理
- Shell基础学习(七) 输入输出重定向
- 安卓开发科大讯飞网址
- GridView 左右翻页的实现
- Oracle迁移到DB2常用转换
- Winform学生信息管理系统主页面设计(2)
- [solr4.7.0] - JDK1.6环境搭建(参考改良别人)
- 使用开源imageLoader优化listview加载大量本地图片的demo
- 苹果iOS开发中如何直接跳转到App Store里面
- MyEclipse10创建maven项目—— (上)
- 基于linux下获取时间函数的详解