利用余弦定理实现文本相似度算法

jopen 10年前

    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:利用余弦定理实现文本相似度算法

       程序实现如下:

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
原文地址:http://my.oschina.net/BreathL/blog/42477