文本相似度计算--余弦定理和广义Jaccard系数

在 7.9余弦定理+空间向量--我的数学3 中简单地说了一下利用余弦定理来计算文本相似度。下面是利用余弦定理和广义Jaccard系数来计算文本相似度。

简单介绍一下Jaccard系数:广义Jaccard系数可以用于文档数据，并在二元属性情况下归约为Jaccard系数。广义Jaccard系数又称Tanimoto系数。（有另一种系数也称为Tanimoto系数）。该系数用EJ表示，由下式定义：
EJ(x,y)=(x*y)/(||x|*||x||+||y||*||y||-x*y)
其公式与余弦相似度的计算有点相似

ClusterUsingKmeans.rar 代码下载。

代码解析如下：
 class Word 表示一个词，来自于中文分词后的结果，其属性包括词频和特征值（关于特征值的计算会在以后介绍）

class Document 表示一个文档，对文档进行中文分词后，分别计算词的词频和特征值。
public double SimilitudeValueToDocumentUsingCos(Document Doc)  通过余弦定理计算相似度
public double SimilitudeValueToDocumentUsingGeneralizedJaccardCoefficient(Document Doc) 通过广义Jaccard计算相似度

public class LoadDict用于加载词库，词库使用sogou的 互联网词库 ，完全简单化计算词的特征。

class WordSegment为中文分词的简单封装，替换成网络上的中文分词组件即可。


实验结果下载  实验报告与数据.rar   77.txt为原始文档,77.txt对比其他文档得到的相似度报告可以在 实验报告.doc中查看
如下所示

<?xml:namespace prefix = o ns = "urn:schemas-microsoft-com:office:office" />	使用COS(名词和成语)	使用COS(无限制)	使用Jaccard (名词和成语)	使用Jaccard (无限制)
53.txt	0.75956909998699	0.695630243577844	0.560566883431663	0.4670868864554
57.txt	0.832549281197672	0.784451145860574	0.711498783220936	0.635179493763215
75.txt	0.723232861947749	0.705986655123678	0.515174136459287	0.494265265766382
94.txt	0.944456910179154	0.864040767357343	0.624237679218324	0.760073520562129

PS: 通过查看文本的内容，可以发现五个文本之间都存在一定的相似。能得到文本的相似度之后，可以采用K-means等聚类算法对文本数据进行聚类。
K-means的算法过程可以通过网络得到。

转载于:https://www.cnblogs.com/TtTiCk/archive/2007/08/04/842819.html