java算法之餘弦相似度計算字符串相似率
概述
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。這裡面就有一個技術點，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佈到自己網站中）。
解析方案：最終就是采用餘弦相似度算法，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，對於餘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：相似度算法之餘弦相似度。
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：餘弦值越接近1，也就是兩個向量越相似，這就叫”餘弦相似性”，
餘弦值越接近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。為瞭簡單起見，先從句子著手。
句子A：這隻皮靴號碼大瞭。那隻號碼合適。
句子B：這隻皮靴號碼不小，那隻更合適。
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：這隻/皮靴/號碼/大瞭。那隻/號碼/合適。
句子B：這隻/皮靴/號碼/不/小，那隻/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：這隻1，皮靴1，號碼2，大瞭1。那隻1，合適1，不0，小0，更0
句子B：這隻1，皮靴1，號碼1，大瞭0。那隻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：
計算結果中夾角的餘弦值為0.81非常接近於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實體註解工具包-->
<dependency>
<groupId>org.projectlombok</groupId>
<artifactId>lombok</artifactId>
</dependency>
<!--漢語言包，主要用於分詞-->
<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裡采草莓，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，後面是詞性。
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裡輸出的
System.out.println(termList.toString());
//2、重新封裝到Word對象中（term.word代表分詞後的詞語，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）
這裡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*/
@Data
public class Word implements Comparable {
// 詞名
private String name;
// 詞性
private String pos;
// 權重，用於詞向量分析
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：餘弦相似度，通過計算兩個向量的夾角餘弦值來評估他們的相似度 餘弦夾角原理： 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瞭（這個我為瞭讓它也分詞計算一下，所以註釋掉瞭）
// 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、對於計算出的相似度保留小數點後六位
*/
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後六位 ,因為1034234.213強制轉換不就是1034234。對於強制轉換添加0.5就等於四舍五入
score = (int) (score * 1000000 + 0.5) / (double) 1000000;
return score;
}
/**
* 文本相似度計算 判定方式：餘弦相似度，通過計算兩個向量的夾角餘弦值來評估他們的相似度 餘弦夾角原理： 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對象的屬性都註入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，那麼在封裝到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.b
AtomicFloat aa = new AtomicFloat();// |a|的平方
AtomicFloat bb = new AtomicFloat();// |b|的平方
// 第三步：寫出詞頻向量，後進行計算
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) {
//x1x2
float oneOfTheDimension = x1 * x2;
//+
ab.addAndGet(oneOfTheDimension);
}
if (x1 != null) {
//(x1)^2
float oneOfTheDimension = x1 * x1;
//+
aa.addAndGet(oneOfTheDimension);
}
if (x2 != null) {
//(x2)^2
float 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表示小數點後保留9位，最後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對象的屬性都註入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));
// }
// 標註權重（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，同時還手寫瞭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，那這裡通過采用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算法之餘弦相似度計算字符串相似率的詳細內容，更多關於java算法的資料請關註WalkonNet其它相關文章！
推薦閱讀：
- opencv實現車牌識別
- Java Float 保留小數位精度的實現
- python 爬取豆瓣電影短評並利用wordcloud生成詞雲圖
- 聊聊Java Double相加出現的怪事
- 教你如何用Java根據日期生成流水號