matlab 文本 相似度,Matlab计算字符串相似度

运行环境：Matlab

单纯的计算字符串的相似度，并没有计算词性，如TF-IDF之类的；代码如下：

%计算字符串相似度

%一个source字符串通过插入、删除、替换而变成target字符串的操作次数越少，则两个字符串越相近。

function strsim = mystrsim(target,source) %X为字符串

len1=length(source);

len2=length(target);

d=zeros(len1+1,len2+1);

for i=2:length(source)+1

d(i,1)= i;

end

for j=2:length(target)+1

d(1,j)= j;

end

for i =2:length(source)+1

for j = 2:length(target)+1

if source(i - 1) == target(j - 1)

d(i,j) = d(i-1,j-1); %不需要编辑操作

else

edIns = d(i,j-1)+1; %source 插入字符

edDel = d(i-1,j)+1; %source 删除字符

edRep = d(i-1,j-1)+1; %source 替换字符

d(i,j)= min(min(edIns, edDel),edRep);

end

end

end

y=d(length(source)+1,length(target)+1); %最少操作次数

strsim=1/(y+1); %相似度

end

实例：

1. 计算中文字符串相似度：

2. 计算英文字符串相似度：

3. 但是通过这种方式计算，其相似度效果不是很明显，如下：

这里需要注意的是：

y是操作次数，1/(1+y)就是简易版的相似度，如果读者觉得这样的相似度表意不清楚的话，可以自己选择变换函数，比如log或1/(exp()+a)之类的函数平滑下。

这里简易版的相似度，读者可以设置阈值如0.3，基本就可以了。

那么既然它不是计算语义相似度的，那么它有什么用呢？

比如，现在有很多数据，这些数据是地段的楼价。然后， 想知道某地段的楼价，但是这个地段的楼价并没有在这些数据中，这个时候就可以根据周边的楼价去匹配，得到类似的楼价。例如：现在想知道广州天河车陂南的房价，那么可以找到数据中包含车陂北街，车陂北街29号，车陂*等等这些地段的房价，然后求平均得到。