java算法 -余弦相似度计算字符串相似率

时间:2021-05-07

余弦相似度计算字符串相似率

功能需求:最近在做通过爬虫技术去爬取各大相关网站的新闻,储存到公司数据中。这里面就有一个技术点,就是如何保证你已爬取的新闻,再有相似的新闻

               或者一样的新闻,那就不存储到数据库中。(因为有网站会去引用其它网站新闻,或者把其它网站新闻拿过来稍微改下内容就发布到自己网站中)。

解析方案:最终就是采用余弦相似度算法,来计算两个新闻正文的相似度。现在自己写一篇博客总结下。

一、理论知识

先推荐一篇博客,对于余弦相似度算法的理论讲的比较清晰,我们也是按照这个方式来计算相似度的。网址:相似度算法之余弦相似度

1、说重点

  我这边先把计算两个字符串的相似度理论知识再梳理一遍。

(1)首先是要明白通过向量来计算相识度公式

(2)明白:余弦值越接近1,也就是两个向量越相似,这就叫"余弦相似性",
                 余弦值越接近0,也就是两个向量越不相似,也就是这两个字符串越不相似


2、案例理论知识

举一个例子来说明,用上述理论计算文本的相似性。为了简单起见,先从句子着手。

:这只皮靴号码大了。那只号码合适。

:这只皮靴号码不小,那只更合适。

怎样计算上面两句话的相似程度?

基本思路是:如果这两句话的用词越相似,它们的内容就应该越相似。因此,可以从词频入手,计算它们的相似程度。

第一步,分词。

句子A:这只/皮靴/号码/大了。那只/号码/合适。

句子B:这只/皮靴/号码/不/小,那只/更/合适。

第二步,计算词频。(也就是每个词语出现的频率)

句子A:这只1,皮靴1,号码2,大了1。那只1,合适1,不0,小0,更0

句子B:这只1,皮靴1,号码1,大了0。那只1,合适1,不1,小1,更1

第三步,写出词频向量。

句子A:(1,1,2,1,1,1,0,0,0)

句子B:(1,1,1,0,1,1,1,1,1)

第四步:运用上面的公式:计算如下:

计算结果中夹角的余弦值为0.81非常接近于1,所以,上面的句子A和句子B是基本相似的

二、实际开发案例 

    我把我们实际开发过程中字符串相似率计算代码分享出来。

  1、pom.xml

  展示一些主要jar包

2、main方法

先看运行结果:

 通过运行结果得出:

  (1)第一次比较相似率为:0.772853 (说明这两条句子还是挺相似的),第二次比较相似率为:1.0  (说明一模一样)。

  (2)我们可以看到这个句子的分词效果,后面是词性。

3、Tokenizer(分词工具类)

4、Word(封装分词结果)

这里面真正用到的其实就词名和权重。

5、CosineSimilarity(相似率具体实现工具类)

import com.jincou.algorithm.tokenizer.Tokenizer; import com.jincou.algorithm.tokenizer.Word; import org.apache.commons.lang3.StringUtils; import org.slf4j.Logger; import org.slf4j.LoggerFactory; import org.springframework.util.CollectionUtils; import java.math.BigDecimal; import java.util.*import java.util.concurrent.ConcurrentHashMap; import java.util.concurrent.atomic.AtomicInteger;  * 判定方式:余弦相似度,通过计算两个向量的夹角余弦值来评估他们的相似度 余弦夹角原理: 向量a=(x1,y1),向量b=(x2,y2) similarity=a.b/|a|*|b| a.b=x1x2+y1y2 * |a|=根号[(x1)^2+(y1)^2],|b|=根号[(x2)^2+(y2)^2] public class CosineSimilarity { protected static final Logger LOGGER = LoggerFactory.getLogger(CosineSimilarity.class/** * 1、计算两个字符串的相似度 */ public static double getSimilarity(String text1, String text2) { 如果wei空,或者字符长度为0,则代表完全相同 (StringUtils.isBlank(text1) && StringUtils.isBlank(text2)) { return 1.0; } 如果一个为0或者空,一个不为,那说明完全不相似 (StringUtils.isBlank(text1) || StringUtils.isBlank(text2)) { return 0.0; } 这个代表如果两个字符串相等那当然返回1了(这个我为了让它也分词计算一下,所以注释掉了)  if (text1.equalsIgnoreCase(text2)) {  return 1.0; //第一步:进行分词 List<Word> words1 = Tokenizer.segment(text1); List<Word> words2 = Tokenizer.segment(text2); return getSimilarity(words1, words2); } /** * 2、对于计算出的相似度保留小数点后六位 */ public static double getSimilarity(List<Word> words1, List<Word> words2) { double score = getSimilarityImpl(words1, words2); (int) (score * 1000000 + 0.5)其实代表保留小数点后六位 ,因为1034234.213强制转换不就是1034234。对于强制转换添加0.5就等于四舍五入 score = () (score * 1000000 + 0.5) / (double) 1000000return score; } /** * 文本相似度计算 判定方式:余弦相似度,通过计算两个向量的夹角余弦值来评估他们的相似度 余弦夹角原理: 向量a=(x1,y1),向量b=(x2,y2) similarity=a.b/|a|*|b| a.b=x1x2+y1y2 * |a|=根号[(x1)^2+(y1)^2],|b|=根号[(x2)^2+(y2)^2] */ public static double getSimilarityImpl(List<Word> words1, List<Word> words2) {  向每一个Word对象的属性都注入weight(权重)属性值  taggingWeightByFrequency(words1, words2); //第二步:计算词频 通过上一步让每个Word对象都有权重值,那么在封装到map中(key是词,value是该词出现的次数(即权重)) Map<String, Float> weightMap1 = getFastSearchMap(words1); Map<String, Float> weightMap2 = getFastSearchMap(words2); 将所有词都装入set容器中 Set<Word> words = HashSet<>(); words.addAll(words1); words.addAll(words2); AtomicFloat ab = AtomicFloat(); AtomicFloat aa = AtomicFloat(); |a|的平方 AtomicFloat bb = AtomicFloat(); |b|的平方 // 第三步:写出词频向量,后进行计算 words.parallelStream().forEach(word ->看同一词在a、b两个集合出现的此次 Float x1 = weightMap1.get(word.getName()); Float x2 = weightMap2.get(word.getName());  (x1 != null && x2 != nullx1x2 float oneOfTheDimension = x1 *  ab.addAndGet(oneOfTheDimension); }  (x1 != null(x1)^2 float oneOfTheDimension = x1 *  aa.addAndGet(oneOfTheDimension); }  (x2 != null(x2)^2 float oneOfTheDimension = x2 *  bb.addAndGet(oneOfTheDimension); } }); |a| 对aa开方 double aaa = Math.sqrt(aa.doubleValue()); |b| 对bb开方 double bbb = Math.sqrt(bb.doubleValue()); 使用BigDecimal保证精确计算浮点数 double aabb = aaa * bbb; BigDecimal aabb = BigDecimal.valueOf(aaa).multiply(BigDecimal.valueOf(bbb)); similarity=a.b/|a|*|b| divide参数说明:aabb被除数,9表示小数点后保留9位,最后一个表示用标准的四舍五入法 double cos = BigDecimal.valueOf(ab.get()).divide(aabb, 9, BigDecimal.ROUND_HALF_UP).doubleValue(); return cos; } /** * 向每一个Word对象的属性都注入weight(权重)属性值 */ protected static void taggingWeightByFrequency(List<Word> words1, List<Word> words2) {  (words1.get(0).getWeight() != null && words2.get(0).getWeight() != nullreturn; } 词频统计(key是词,value是该词在这段句子中出现的次数) Map<String, AtomicInteger> frequency1 = getFrequency(words1);<String, AtomicInteger> frequency2 = getFrequency(words2); 如果是DEBUG模式输出词频统计信息  if (LOGGER.isDebugEnabled()) {  LOGGER.debug("词频统计1:\n{}", getWordsFrequencyString(frequency1));  LOGGER.debug("词频统计2:\n{}", getWordsFrequencyString(frequency2));  标注权重(该词出现的次数) words1.parallelStream().forEach(word -> word.setWeight(frequency1.get(word.getName()).floatValue())); words2.parallelStream().forEach(word -> word.setWeight(frequency2.get(word.getName()).floatValue())); } /** * 统计词频 * @return 词频统计图 */ private static Map<String, AtomicInteger> getFrequency(List<Word> words) { Map<String, AtomicInteger> freq = HashMap<>这步很帅哦 words.forEach(i -> freq.computeIfAbsent(i.getName(), k ->  AtomicInteger()).incrementAndGet()); return freq; } /** * 输出:词频统计信息 */ private static String getWordsFrequencyString(Map<String, AtomicInteger> frequency) { StringBuilder str =  StringBuilder();  (frequency != null && !frequency.isEmpty()) { AtomicInteger integer =  AtomicInteger(); frequency.entrySet().stream().sorted((a, b) -> b.getValue().get() - a.getValue().get()).forEach( i -> str.append("\t").append(integer.incrementAndGet()).append("、").append(i.getKey()).append("=") .append(i.getValue()).append("\n")); } str.setLength(str.length() - 1return str.toString(); } /** * 构造权重快速搜索容器 */ protected static Map<String, Float> getFastSearchMap(List<Word> words) {  (CollectionUtils.isEmpty(words)) { return Collections.emptyMap(); } Map<String, Float> weightMap = ConcurrentHashMap<>(words.size()); words.parallelStream().forEach(i -> (i.getWeight() != nullweightMap.put(i.getName(), i.getWeight());else { LOGGER.error("no word weight info:" + i.getName()); } }); return weightMap; } }

这个具体实现代码因为思维很紧密所以有些地方写的比较绕,同时还手写了AtomicFloat原子类。

6、AtomicFloat原子类

import java.util.concurrent.atomic.AtomicInteger;  * jdk没有AtomicFloat,写一个  public class AtomicFloat extends Number { private AtomicInteger bits; public AtomicFloat() { this(0f); } public AtomicFloat(float initialValue) { bits =  AtomicInteger(Float.floatToIntBits(initialValue)); }  public final float addAndGet(float delta) { float expect; float update;  { expect = get(); update = expect + delta; } while (!this.compareAndSet(expect, update)); return update; } public final float getAndAdd(float delta) { float expect; float update;  { expect = get(); update = expect + delta; } while (!this.compareAndSet(expect, update)); return expect; } public final float getAndDecrement() { return getAndAdd(-1); } public final float decrementAndGet() { return addAndGet(-1); } public final float getAndIncrement() { return getAndAdd(1); } public final float incrementAndGet() { return addAndGet(1); } public final float getAndSet(float newValue) { float expect;  { expect = get(); } while (!this.compareAndSet(expect, newValue)); return expect; } public final boolean compareAndSet(float expect, float update) { return bits.compareAndSet(Float.floatToIntBits(expect), Float.floatToIntBits(update)); } public final void set(float newValue) { bits.set(Float.floatToIntBits(newValue)); } public final float get() { return Float.intBitsToFloat(bits.get()); } @Override public float floatValue() { return get(); } @Override public double doubleValue() { return (double) floatValue(); } @Override public  intValue() { return () get(); } @Override public long longValue() { return (long) get(); } @Override public String toString() { return Float.toString(get()); } }

7、总结

把大致思路再捋一下:

 (1)先分词: 分词当然要按一定规则,不然随便分那也没有意义,那这里通过采用HanLP中文自然语言处理中标准分词进行分词。 

 (2)统计词频: 就统计上面词出现的次数。

 (3)通过每一个词出现的次数,变成一个向量,通过向量公式计算相似率。

 我只是偶尔安静下来,对过去的种种思忖一番。那些曾经的旧时光里即便有过天真愚钝,也不值得谴责。毕竟,往后的日子,还很长。不断鼓励自己,

 天一亮,又是崭新的起点,又是未知的征程(上校3)

【推荐】 密码学在互联网业务中的点滴使用
【推荐】 spring-cloud-gateway 自定义lb实现
【推荐】 python、java、c、go执行速度对比
【推荐】 SpringCloud NamedContextFactory 原理与使用