文本相似度算法介绍

文本相似度算法

LevenshteinDistance
SpacySimilarity
JaccardSimilarity

Levenshtein Distance算法

中文名：莱文斯坦距离 参考资料：https://en.wikipedia.org/wiki/Levenshtein_distance

Levenshtein distance是表征或度量两段字符串的差异度的概念,以单词kitten和sitting为例，定义：替换(substitution)、插入(insert)和删除(delete)三种标准编辑手段来消除这两个词之间的差异，每经过1次标准编辑手段，Levenshtein distance增计一次，则kitten需经过2次替换、1次插入新字符，来得到sitting这个单词，因此所谓的Levenshtein distance应为3。按照其定义，该距离和字符串差异度呈正比关系。

定义： 两个字符串a，b之间的莱文斯坦距离

编辑距离是NLP基本的度量文本相似度的算法，可以作为文本相似任务的重要特征之一，其可应用于诸如拼写检查、论文查重、基因序列分析等多个方面。但是其缺点也很明显，算法基于文本自身的结构去计算，并没有办法获取到语义层面的信息。

SpacySimilarity算法

SpacySimilarity属于语义相似度的计算方法。

参考资料： https://spacy.io/api/doc/#similarity

先将句子的词向量求平均，获取句子的语义表示，然后计算两个句子的语义表示的余弦相似度。

JaccardSimilarity算法

参考资料：https://en.wikipedia.org/wiki/Jaccard_index

给定两个集合A,B，Jaccard 系数定义为A与B交集的大小与A与B并集的大小的比值，定义如下：

当集合A，B都为空时，J(A,B)定义为1。

与Jaccard 系数相关的指标叫做Jaccard 距离，用于描述集合之间的不相似度。Jaccard 距离越大，样本相似度越低。