java算法之余弦相似度計算字符串相似率
功能需求：最近在做通過爬蟲技術去爬取各大相關網站的新聞，儲存到公司數據中。這里面就有一個技術點，就是如何保證你已爬取的新聞，再有相似的新聞
或者一樣的新聞，那就不存儲到數據庫中。（因為有網站會去引用其它網站新聞，或者把其它網站新聞拿過來稍微改下內容就發布到自己網站中）。
解析方案：最終就是采用余弦相似度算法，來計算兩個新聞正文的相似度。現在自己寫一篇博客總結下。
一、理論知識先推薦一篇博客，對于余弦相似度算法的理論講的比較清晰，我們也是按照這個方式來計算相似度的。網址：相似度算法之余弦相似度。
1、說重點我這邊先把計算兩個字符串的相似度理論知識再梳理一遍。
（1）首先是要明白通過向量來計算相識度公式。
（2）明白：余弦值越接近1，也就是兩個向量越相似，這就叫'余弦相似性'，余弦值越接近0，也就是兩個向量越不相似，也就是這兩個字符串越不相似。
2、案例理論知識舉一個例子來說明，用上述理論計算文本的相似性。為了簡單起見，先從句子著手。
句子A：這只皮靴號碼大了。那只號碼合適。
句子B：這只皮靴號碼不小，那只更合適。
怎樣計算上面兩句話的相似程度？
基本思路是：如果這兩句話的用詞越相似，它們的內容就應該越相似。因此，可以從詞頻入手，計算它們的相似程度。
第一步，分詞。
句子A：這只/皮靴/號碼/大了。那只/號碼/合適。
句子B：這只/皮靴/號碼/不/小，那只/更/合適。
第二步，計算詞頻。（也就是每個詞語出現的頻率）
句子A：這只1，皮靴1，號碼2，大了1。那只1，合適1，不0，小0，更0
句子B：這只1，皮靴1，號碼1，大了0。那只1，合適1，不1，小1，更1
第三步，寫出詞頻向量。
句子A：(1，1，2，1，1，1，0，0，0)
句子B：(1，1，1，0，1，1，1，1，1)
第四步：運用上面的公式：計算如下：
計算結果中夾角的余弦值為0.81非常接近于1，所以，上面的句子A和句子B是基本相似的
二、實際開發案例我把我們實際開發過程中字符串相似率計算代碼分享出來。
1、pom.xml展示一些主要jar包
<!--結合操作工具包--><dependency> <groupId>org.apache.commons</groupId> <artifactId>commons-lang3</artifactId> <version>3.5</version></dependency><!--bean實體注解工具包--> <dependency> <groupId>org.projectlombok</groupId> <artifactId>lombok</artifactId></dependency><!--漢語言包，主要用于分詞--><dependency> <groupId>com.hankcs</groupId> <artifactId>hanlp</artifactId> <version>portable-1.6.5</version></dependency>2、main方法
/** * 計算兩個字符串的相識度 */public class Similarity { public static final String content1='今天小小和爸爸一起去摘草莓，小小說今天的草莓特別的酸，而且特別的小，關鍵價格還貴'; public static final String content2='今天小小和媽媽一起去草原里采草莓，今天的草莓味道特別好，而且價格還挺實惠的'; public static void main(String[] args) {double score=CosineSimilarity.getSimilarity(content1,content2);System.out.println('相似度：'+score);score=CosineSimilarity.getSimilarity(content1,content1);System.out.println('相似度：'+score); } }
先看運行結果：
通過運行結果得出：
（1）第一次比較相似率為：0.772853 （說明這兩條句子還是挺相似的），第二次比較相似率為：1.0 （說明一模一樣）。
（2）我們可以看到這個句子的分詞效果，后面是詞性。
3、Tokenizer（分詞工具類）import com.hankcs.hanlp.HanLP;import com.hankcs.hanlp.seg.common.Term;import java.util.List;import java.util.stream.Collectors;/** * 中文分詞工具類*/public class Tokenizer { /** * 分詞*/ public static List<Word> segment(String sentence) {//1、 采用HanLP中文自然語言處理中標準分詞進行分詞List<Term> termList = HanLP.segment(sentence);//上面控制臺打印信息就是這里輸出的System.out.println(termList.toString());//2、重新封裝到Word對象中（term.word代表分詞后的詞語，term.nature代表改詞的詞性）return termList.stream().map(term -> new Word(term.word, term.nature.toString())).collect(Collectors.toList()); }}4、Word（封裝分詞結果）
這里面真正用到的其實就詞名和權重。
import lombok.Data;import java.util.Objects;/** * 封裝分詞結果*/@Datapublic class Word implements Comparable { // 詞名 private String name; // 詞性 private String pos; // 權重，用于詞向量分析 private Float weight; public Word(String name, String pos) {this.name = name;this.pos = pos; } @Override public int hashCode() {return Objects.hashCode(this.name); } @Override public boolean equals(Object obj) {if (obj == null) { return false;}if (getClass() != obj.getClass()) { return false;}final Word other = (Word) obj;return Objects.equals(this.name, other.name); } @Override public String toString() {StringBuilder str = new StringBuilder();if (name != null) { str.append(name);}if (pos != null) { str.append('/').append(pos);}return str.toString(); } @Override public int compareTo(Object o) {if (this == o) { return 0;}if (this.name == null) { return -1;}if (o == null) { return 1;}if (!(o instanceof Word)) { return 1;}String t = ((Word) o).getName();if (t == null) { return 1;}return this.name.compareTo(t); }}5、CosineSimilarity（相似率具體實現工具類）
import com.jincou.algorithm.tokenizer.Tokenizer;import com.jincou.algorithm.tokenizer.Word;import org.apache.commons.lang3.StringUtils;import org.slf4j.Logger;import org.slf4j.LoggerFactory;import org.springframework.util.CollectionUtils;import java.math.BigDecimal;import java.util.*;import java.util.concurrent.ConcurrentHashMap;import java.util.concurrent.atomic.AtomicInteger;/** * 判定方式：余弦相似度，通過計算兩個向量的夾角余弦值來評估他們的相似度 余弦夾角原理： 向量a=(x1,y1),向量b=(x2,y2) similarity=a.b/|a|*|b| a.b=x1x2+y1y2 * |a|=根號[(x1)^2+(y1)^2],|b|=根號[(x2)^2+(y2)^2]*/public class CosineSimilarity { protected static final Logger LOGGER = LoggerFactory.getLogger(CosineSimilarity.class); /** * 1、計算兩個字符串的相似度 */ public static double getSimilarity(String text1, String text2) {//如果wei空，或者字符長度為0，則代表完全相同if (StringUtils.isBlank(text1) && StringUtils.isBlank(text2)) { return 1.0;}//如果一個為0或者空，一個不為，那說明完全不相似if (StringUtils.isBlank(text1) || StringUtils.isBlank(text2)) { return 0.0;}//這個代表如果兩個字符串相等那當然返回1了（這個我為了讓它也分詞計算一下，所以注釋掉了）//if (text1.equalsIgnoreCase(text2)) {// return 1.0;//}//第一步：進行分詞List<Word> words1 = Tokenizer.segment(text1);List<Word> words2 = Tokenizer.segment(text2);return getSimilarity(words1, words2); } /** * 2、對于計算出的相似度保留小數點后六位 */ public static double getSimilarity(List<Word> words1, List<Word> words2) {double score = getSimilarityImpl(words1, words2);//(int) (score * 1000000 + 0.5)其實代表保留小數點后六位 ,因為1034234.213強制轉換不就是1034234。對于強制轉換添加0.5就等于四舍五入score = (int) (score * 1000000 + 0.5) / (double) 1000000;return score; } /** * 文本相似度計算 判定方式：余弦相似度，通過計算兩個向量的夾角余弦值來評估他們的相似度 余弦夾角原理： 向量a=(x1,y1),向量b=(x2,y2) similarity=a.b/|a|*|b| a.b=x1x2+y1y2 * |a|=根號[(x1)^2+(y1)^2],|b|=根號[(x2)^2+(y2)^2] */ public static double getSimilarityImpl(List<Word> words1, List<Word> words2) {// 向每一個Word對象的屬性都注入weight（權重）屬性值taggingWeightByFrequency(words1, words2);//第二步：計算詞頻//通過上一步讓每個Word對象都有權重值，那么在封裝到map中（key是詞，value是該詞出現的次數（即權重））Map<String, Float> weightMap1 = getFastSearchMap(words1);Map<String, Float> weightMap2 = getFastSearchMap(words2);//將所有詞都裝入set容器中Set<Word> words = new HashSet<>();words.addAll(words1);words.addAll(words2);AtomicFloat ab = new AtomicFloat();// a.bAtomicFloat aa = new AtomicFloat();// |a|的平方AtomicFloat bb = new AtomicFloat();// |b|的平方// 第三步：寫出詞頻向量，后進行計算words.parallelStream().forEach(word -> { //看同一詞在a、b兩個集合出現的此次 Float x1 = weightMap1.get(word.getName()); Float x2 = weightMap2.get(word.getName()); if (x1 != null && x2 != null) {//x1x2float oneOfTheDimension = x1 * x2;//+ab.addAndGet(oneOfTheDimension); } if (x1 != null) {//(x1)^2float oneOfTheDimension = x1 * x1;//+aa.addAndGet(oneOfTheDimension); } if (x2 != null) {//(x2)^2float oneOfTheDimension = x2 * x2;//+bb.addAndGet(oneOfTheDimension); }});//|a| 對aa開方double aaa = Math.sqrt(aa.doubleValue());//|b| 對bb開方double bbb = Math.sqrt(bb.doubleValue());//使用BigDecimal保證精確計算浮點數//double aabb = aaa * bbb;BigDecimal aabb = BigDecimal.valueOf(aaa).multiply(BigDecimal.valueOf(bbb));//similarity=a.b/|a|*|b|//divide參數說明：aabb被除數,9表示小數點后保留9位，最后一個表示用標準的四舍五入法double cos = BigDecimal.valueOf(ab.get()).divide(aabb, 9, BigDecimal.ROUND_HALF_UP).doubleValue();return cos; } /** * 向每一個Word對象的屬性都注入weight（權重）屬性值 */ protected static void taggingWeightByFrequency(List<Word> words1, List<Word> words2) {if (words1.get(0).getWeight() != null && words2.get(0).getWeight() != null) { return;}//詞頻統計（key是詞，value是該詞在這段句子中出現的次數）Map<String, AtomicInteger> frequency1 = getFrequency(words1);Map<String, AtomicInteger> frequency2 = getFrequency(words2);//如果是DEBUG模式輸出詞頻統計信息//if (LOGGER.isDebugEnabled()) {// LOGGER.debug('詞頻統計1：n{}', getWordsFrequencyString(frequency1));// LOGGER.debug('詞頻統計2：n{}', getWordsFrequencyString(frequency2));//}// 標注權重（該詞出現的次數）words1.parallelStream().forEach(word -> word.setWeight(frequency1.get(word.getName()).floatValue()));words2.parallelStream().forEach(word -> word.setWeight(frequency2.get(word.getName()).floatValue())); } /** * 統計詞頻 * @return 詞頻統計圖 */ private static Map<String, AtomicInteger> getFrequency(List<Word> words) {Map<String, AtomicInteger> freq = new HashMap<>();//這步很帥哦words.forEach(i -> freq.computeIfAbsent(i.getName(), k -> new AtomicInteger()).incrementAndGet());return freq; } /** * 輸出：詞頻統計信息 */ private static String getWordsFrequencyString(Map<String, AtomicInteger> frequency) {StringBuilder str = new StringBuilder();if (frequency != null && !frequency.isEmpty()) { AtomicInteger integer = new AtomicInteger(); frequency.entrySet().stream().sorted((a, b) -> b.getValue().get() - a.getValue().get()).forEach( i -> str.append('t').append(integer.incrementAndGet()).append('、').append(i.getKey()).append('=') .append(i.getValue()).append('n'));}str.setLength(str.length() - 1);return str.toString(); } /** * 構造權重快速搜索容器 */ protected static Map<String, Float> getFastSearchMap(List<Word> words) {if (CollectionUtils.isEmpty(words)) { return Collections.emptyMap();}Map<String, Float> weightMap = new ConcurrentHashMap<>(words.size());words.parallelStream().forEach(i -> { if (i.getWeight() != null) {weightMap.put(i.getName(), i.getWeight()); } else {LOGGER.error('no word weight info:' + i.getName()); }});return weightMap; }}
這個具體實現代碼因為思維很緊密所以有些地方寫的比較繞，同時還手寫了AtomicFloat原子類。
6、AtomicFloat原子類import java.util.concurrent.atomic.AtomicInteger;/** * jdk沒有AtomicFloat，寫一個 */public class AtomicFloat extends Number { private AtomicInteger bits; public AtomicFloat() {this(0f); } public AtomicFloat(float initialValue) {bits = new AtomicInteger(Float.floatToIntBits(initialValue)); } //疊加 public final float addAndGet(float delta) {float expect;float update;do { expect = get(); update = expect + delta;} while (!this.compareAndSet(expect, update));return update; } public final float getAndAdd(float delta) {float expect;float update;do { expect = get(); update = expect + delta;} while (!this.compareAndSet(expect, update));return expect; } public final float getAndDecrement() {return getAndAdd(-1); } public final float decrementAndGet() {return addAndGet(-1); } public final float getAndIncrement() {return getAndAdd(1); } public final float incrementAndGet() {return addAndGet(1); } public final float getAndSet(float newValue) {float expect;do { expect = get();} while (!this.compareAndSet(expect, newValue));return expect; } public final boolean compareAndSet(float expect, float update) {return bits.compareAndSet(Float.floatToIntBits(expect), Float.floatToIntBits(update)); } public final void set(float newValue) {bits.set(Float.floatToIntBits(newValue)); } public final float get() {return Float.intBitsToFloat(bits.get()); } @Override public float floatValue() {return get(); } @Override public double doubleValue() {return (double) floatValue(); } @Override public int intValue() {return (int) get(); } @Override public long longValue() {return (long) get(); } @Override public String toString() {return Float.toString(get()); }}三、總結
把大致思路再捋一下：
（1）先分詞：分詞當然要按一定規則，不然隨便分那也沒有意義，那這里通過采用HanLP中文自然語言處理中標準分詞進行分詞。
（2）統計詞頻：就統計上面詞出現的次數。
（3）通過每一個詞出現的次數，變成一個向量，通過向量公式計算相似率。
以上就是java算法之余弦相似度計算字符串相似率的詳細內容，更多關于java算法的資料請關注好吧啦網其它相關文章！
相關文章：
網公網安備