转自 http://my.oschina.net/BreathL/blog/42477
最近由于工作项目，需要判断两个txt文本是否相似，于是开始在网上找资料研究，因为在程序中会把文本转换成String再做比较，所以最开始找到了这篇关于 距离编辑算法 Blog写的非常好，受益匪浅。
于是我决定把它用到项目中，来判断两个文本的相似度。但后来实际操作发现有一些问题：直接说就是查询一本书中的相似章节花了我7、8分钟；这是我不能接受……
于是停下来仔细分析发现，这种算法在此项目中不是特别适用，由于要判断一本书中是否有相同章节，所以每两个章节之间都要比较，若一本书书有x章的话，这里需对比x(x-1)/2次；而此算法采用矩阵的方式，计算两个字符串之间的变化步骤，会遍历两个文本中的每一个字符两两比较，可以推断出时间复杂度至少为 document1.length × document2.length，我所比较的章节字数平均在几千～一万字；这样计算实在要了老命。
想到Lucene中的评分机制，也是算一个相似度的问题，不过它采用的是计算向量间的夹角（余弦公式），在google黑板报中的：数学之美（余弦定理和新闻分类） 也有说明，可以通过余弦定理来判断相似度；于是决定自己动手试试。
首相选择向量的模型：在以字为向量还是以词为向量的问题上，纠结了一会；后来还是觉得用字，虽然词更为准确，但分词却需要增加额外的复杂度，并且此项目要求速度，准确率可以放低，于是还是选择字为向量。
然后每个字在章节中出现的次数，便是以此字向量的值。现在我们假设：
章节1中出现的字为：Z1c1,Z1c2,Z1c3,Z1c4……Z1cn；它们在章节中的个数为：Z1n1,Z1n2,Z1n3……Z1nm；
章节2中出现的字为：Z2c1,Z2c2,Z2c3,Z2c4……Z2cn；它们在章节中的个数为：Z2n1,Z2n2,Z2n3……Z2nm；
其中，Z1c1和Z2c1表示两个文本中同一个字，Z1n1和Z2n1是它们分别对应的个数，
最后我们的相似度可以这么计算：
程序实现如下：（若有可优化或更好的实现请不吝赐教）
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
|
public
class
CosineSimilarAlgorithm {
public
static
double
getSimilarity(String doc1, String doc2) {
if
(doc1 !=
null
&& doc1.trim().length() >
0
&& doc2 !=
null
&& doc2.trim().length() >
0
) {
Map<Integer,
int
[]> AlgorithmMap =
new
HashMap<Integer,
int
[]>();
//将两个字符串中的中文字符以及出现的总数封装到，AlgorithmMap中
for
(
int
i =
0
; i < doc1.length(); i++) {
char
d1 = doc1.charAt(i);
if
(isHanZi(d1)){
int
charIndex = getGB2312Id(d1);
if
(charIndex != -
1
){
int
[] fq = AlgorithmMap.get(charIndex);
if
(fq !=
null
&& fq.length ==
2
){
fq[
0
]++;
}
else
{
fq =
new
int
[
2
];
fq[
0
] =
1
;
fq[
1
] =
0
;
AlgorithmMap.put(charIndex, fq);
}
}
}
}
for
(
int
i =
0
; i < doc2.length(); i++) {
char
d2 = doc2.charAt(i);
if
(isHanZi(d2)){
int
charIndex = getGB2312Id(d2);
if
(charIndex != -
1
){
int
[] fq = AlgorithmMap.get(charIndex);
if
(fq !=
null
&& fq.length ==
2
){
fq[
1
]++;
}
else
{
fq =
new
int
[
2
];
fq[
0
] =
0
;
fq[
1
] =
1
;
AlgorithmMap.put(charIndex, fq);
}
}
}
}
Iterator<Integer> iterator = AlgorithmMap.keySet().iterator();
double
sqdoc1 =
0
;
double
sqdoc2 =
0
;
double
denominator =
0
;
while
(iterator.hasNext()){
int
[] c = AlgorithmMap.get(iterator.next());
denominator += c[
0
]*c[
1
];
sqdoc1 += c[
0
]*c[
0
];
sqdoc2 += c[
1
]*c[
1
];
}
return
denominator / Math.sqrt(sqdoc1*sqdoc2);
}
else
{
throw
new
NullPointerException(
" the Document is null or have not cahrs!!"
);
}
}
public
static
boolean
isHanZi(
char
ch) {
// 判断是否汉字
return
(ch >=
0x4E00
&& ch <=
0x9FA5
);
}
/**
* 根据输入的Unicode字符，获取它的GB2312编码或者ascii编码，
*
* @param ch
* 输入的GB2312中文字符或者ASCII字符(128个)
* @return ch在GB2312中的位置，-1表示该字符不认识
*/
public
static
short
getGB2312Id(
char
ch) {
try
{
byte
[] buffer = Character.toString(ch).getBytes(
"GB2312"
);
if
(buffer.length !=
2
) {
// 正常情况下buffer应该是两个字节，否则说明ch不属于GB2312编码，故返回'?'，此时说明不认识该字符
return
-
1
;
}
int
b0 = (
int
) (buffer[
0
] &
0x0FF
) -
161
;
// 编码从A1开始，因此减去0xA1=161
int
b1 = (
int
) (buffer[
1
] &
0x0FF
) -
161
;
// 第一个字符和最后一个字符没有汉字，因此每个区只收16*6-2=94个汉字
return
(
short
) (b0 *
94
+ b1);
}
catch
(UnsupportedEncodingException e) {
e.printStackTrace();
}
return
-
1
;
}
}
|
程序中做了两小的改进，以加快效率：
1. 只将汉字作为向量，其他的如标点，数字等符号不处理；2. 在HashMap中存放汉字和其在文本中对于的个数时，先将单个汉字通过GB2312编码转换成数字，再存放。
最后写了个测试，根据两种不同的算法对比下时间，下面是测试结果：
余弦定理算法：doc1 与 doc2 相似度为：0.9954971, 耗时：22mm
距离编辑算法：doc1 与 doc2 相似度为：0.99425095, 耗时：322mm
可见效率有明显提高，算法复杂度大致为：document1.length + document2.length。
原创blog，转载请注明http://my.oschina.net/BreathL/blog/42477
5万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
