简介
在下是刚毕业的小萌新,现在在一家股票资讯公司做Java开发。手上是一个消息监控的项目,需要实时把爬虫组爬到的新闻经过处理入库。今天来了个需求,需要对新闻做一个去重的处理,减少类似新闻的出现。我理性分析一波,应该就是要计算一下文本的相似度嗯嗯。。。那该怎么做呢。。。
计算文本相似度方法
文本的相似度计算方法可以分为两大类:基于深度学习的方法和基于非深度学习的方法。
虽然小的我在自然语言处理与交互部,但我只是个开发,不是算法,所以这里采用简单的非深度学习的方法。
常用的几个计算方法:余弦相似度、最小编辑距离。。。。。
由于场景比较简单,所以并没有对文本进行分词,如果有需要,可以用jieba,hanlp等等
余弦相似度
private static double getSimilarity(String doc1, String doc2) {
if (StringUtils.isBlank(doc1) or StringUtils.isBlank(doc2)) {
return 0L;
}
Map<Character,int[]> algMap=new HashMap<>();
for (int i = 0