JAVA开发 基础Jaccard来计算两个字符串之间的重复率

Jaccard

Jaccard方法，也称为Jaccard相似度或Jaccard相似系数，是一种用于衡量两个集合相似程度的指标。其逻辑基于集合之间的交集与并集的关系来衡量它们的相似程度，它只关心字符的出现而不关心顺序，那么可以使用以下步骤来计算Jaccard相似度：

1. 将两个字符串转换为字符集合（Set）。
2. 计算两个集合的交集和并集的大小。
3. 使用Jaccard相似度公式计算相似度：Jaccard(A, B) = |A ∩ B| / |A ∪ B|。

实现代码

import java.util.HashSet;
import java.util.Set;
import java.util.HashMap;
import java.util.Map;

public class Main {

    public static double calculateJaccardSimilarity(String str1, String str2) {
        // 将字符串转换为字符集合
        Set<Character> set1 = new HashSet<>();
        for (char c : str1.toCharArray()) {
            set1.add(c);
        }

        Set<Character> set2 = new HashSet<>();
        for (char c : str2.toCharArray()) {
            set2.add(c);
        }

        // 计算交集和并集
        Set<Character> intersection = new HashSet<>(set1);
        intersection.retainAll(set2); // 交集

        Set<Character> union = new HashSet<>(set1);
        union.addAll(set2); // 并集

        // 如果并集为空，则相似度为0（避免除以0的情况）
        if (union.isEmpty()) {
            return 0.0;
        }

        // 计算Jaccard相似度
        double jaccardSimilarity = (double) intersection.size() / union.size();
        return jaccardSimilarity;
    }

    public static void main(String[] args) {
        String str1 = "这两天，河北廊坊市人民医院退还核酸检测费的消息引发热议。奔流新闻记者从廊坊市人民医院财务科证实，“从5月20日开始对收到短信的市民退费，多数成年人已经完成退费，今天开始对青少年儿童退费。”";
        String str2 = "5月20日，一些市民收到廊坊市人民医院发来的短信：按上级要求退还2020年至2021年核酸检测费。请持身份证于5月20日-6月20日工作日时间到市医院财务部退费。";

        double similarity = calculateJaccardSimilarity(str1, str2);
        System.out.println("Jaccard Similarity: " + similarity);
    }

}

执行结果

基于最长公共子序列来计算两个字符串之间的重复率