之前有个需求,就是比较2个文本是否相近。
最牛逼的方法就是用语义去分析,然后比较结果。可是这个性能是在不敢恭维,于是想起了以前做过的人脸识别,使用特征值去操作。
人脸识别当是时把图片转变为一维向量,然后计算特征值。最终发现,如果是文本计算特征值,把文本的字符串输入后,简单的简化为每个char自相乘,再相加 = 向量的模的平方。
例如:
HI = (char 72)(char 73).
eigenValue = 72*72+73*73.
这样,IH的结果和HI就是一样了。 而且另外一个问题就是char的取值范围是0~255。如果对文本检测,那么很快就会超过了double的长度了。针对这些问题,我自己想到了一个算法。
![](https://i-blog.csdnimg.cn/blog_migrate/8f900a89c6347c561fdf2122f13be562.gif)
![ExpandedBlockStart.gif](https://i-blog.csdnimg.cn/blog_migrate/961ddebeb323a10fe0623af514929fc1.gif)
{
if ( string .IsNullOrEmpty(value))
return 0 ;
double length = value.Length;
double eigenvalue = 0 ;
int index = 1 ;
foreach ( char str in value)
{
double strnum = ( double )str;
eigenvalue += (strnum * strnum) / 100000 * index ++ ;
}
// 计算由于每个位置添加了权重,导致最终值增加的值
double weightfactor = (length - 1 ) * 255 * 255 / 100000 + (length - 1 ) * (length - 2 ) * 255 * 255 / 2 / 100000 ;
if (weightfactor == 0 )
weightfactor = 1 ;
weightfactor = Math.Ceiling(Math.Log10(weightfactor));
if (weightfactor == 0 )
weightfactor = 1 ;
eigenvalue /= weightfactor;
eigenvalue /= length;
return length + eigenvalue;
}
这里简单说下原理,还是很简单白痴的。
1. char的取值范围是0~255.那么 char相乘的最大值= 255*255 = 65025. 我为了每次都让特征值保持在小数,于是除以了10000.
eigenvalue += (strnum * strnum) / 100000 * index++
2. 考虑到字符串位置的问题,我每个字符串都乘以了位置权重 index,这样不同顺序的字符串结果就一定不同了。
eigenvalue += (strnum * strnum) / 100000 * index++
3. 可是由于每个字符运算的时候都添加了权重,导致了结果比没有添加权重的大了很多。大了多少?我就按照 65025这个等差数列去运算:
N* 65025 + N(N-1)* 65025 /2, N = length -1
double weightfactor = (length - 1) * 255 * 255 / 100000 + (length - 1) * (length - 2) * 255 * 255 / 2 / 100000;
4. 最后,我计算这个增加的额外值到底是10的多少次方(需要再缩小多少)。得到:
weightfactor = Math.Ceiling(Math.Log10(weightfactor));
5. 然后根据权重放大的倍数,就是特征值再缩小回小数部分:
eigenvalue /= weightfactor;
6. 由于特征值结果是每个位置的char相乘再相加,因此相加导致放大的倍数 = 255*255/100000*length的倍数。因此就是length。最终需要缩小到小数:
eigenvalue /= length;
7. 为了保证不同长度的字符串可能计算出来的结果会一样,最终结果会再加上了字符串的长度。
return length + eigenvalue;
最后这个值,就是代表了这个文本的特征值了。整数部分是长度,小数部分是相似度。
最后,请各位大牛们拍拍砖。。。。小弟数学不才,在此献丑了。