关于文本相似度计算-JaccardSimilarity和哈希签名函数概要.doc

关于文本相似度计算-JaccardSimilarity和哈希签名函数 在目前这个信息过载的星球上，文本的相似度计算应用前景还是比较广泛的，他可以让人们过滤掉很多相似的新闻，比如在有哪些信誉好的足球投注网站引擎上，相似度太高的页面，只需要展示一个就行了，还有就是，考试的时候，可以用这个来防作弊，同样的，论文的相似度检查也是一个检查论文是否抄袭的一个重要办法。 文本相似度计算的应用场景 过滤相似度很高的新闻，或者网页去重 考试防作弊系统 论文抄袭检查 光第一项的应用就非常广泛。 文本相似度计算的基本方法 文本相似度计算的方法很多，主要来说有两种，一是余弦定律，二是JaccardSimilarity方法,余弦定律不在本文的讨论范围之内，我们主要说一下JaccardSimilarity方法。 JaccardSimilarity方法 JaccardSimilarity说起来非常简单，容易实现，实际上就是两个集合的交集除以两个集合的并集，所得的就是两个集合的相似度，直观的看就是下面这个图。 数学表达式是： |S ∩ T|/|S ∪ T| 恩，基本的计算方法就是如此，而两个集合分别表示的是两个文本，集合中的元素实际上就是文本中出现的词语啦，我们需要做的就是把两个文本中的词语统计出来，然后按照上面的公式算一下就行了，其实很简单。 统计文本中的词语 关于统计文本中的词语，可以参考我的另外一篇博文一种没有语料字典的分词方法，文章中详细说明了如何从一篇文本中提取有价值的词汇，感兴趣的童鞋可以看看。 当然，本篇博客主要是说计算相似度的，所以词语的统计使用的比较简单的算法k-shingle算法，k是一个变量，表示提取文本中的k个字符，这个k可以自己定义。 简单的说，该算法就是从头挨个扫描文本，然后依次把k个字符保存起来，比如有个文本，内容是abcdefg,k设为2，那得到的词语就是ab,bc,cd,de,ef,fg。 得到这些词汇以后，然后统计每个词汇的数量，最后用上面的JaccardSimilarity算法来计算相似度。 具体的简单代码如下： [python]?view plaincopyprint? file_name_list=[/Users/wuyinghao/Documents/test1.txt,?? ????????????????/Users/wuyinghao/Documents/test2.txt,?? ????????????????/Users/wuyinghao/Documents/test3.txt]?? hash_contents=[]?? ?? #获取每个文本的词汇词频表?? for?file_name?in?file_name_list:?? ????hash_contents.append([getHashInfoFromFile(file_name,5),file_name])?? ?????? ?? for?index1,v1?in?enumerate(hash_contents):?? ????for?index2,v2?in?enumerate(hash_contents):?? ????????if(v1[1]?!=?v2[1]?and?index2index1):?? ????????????intersection=calcIntersection(v1[0],v2[0])?#计算交集?? ????????????union_set=calcUnionSet(v1[0],v2[0],intersection)?#计算并集?? ????????????print?v1[1]+?||||||?+?v2[1]?+??similarity?is?:??+?str(calcSimilarity(intersection,union_set))?#计算相似度??  完整的代码可以看我的GitHub 如何优化 上述代码其实可以完成文本比较了，但是如果是大量文本或者单个文本内容较大，比较的时候势必占用了大量的存储空间，因为一个词汇表的存储空间大于文本本身的存储空间，这样，我们需要进行一下优化，如何优化呢，我们按照以下两个步骤来优化。 将词汇表进行hash 首先，我们将词汇表进行hash运算，把词汇表中的每个词汇hash成一个整数，这样存储空间就会大大降低了，至于hash的算法，网上有很多，大家可以查查最小完美哈希，由于我这里只是为了验证整套算法的可行性，在python中，直接用了字典和数组，将每个词汇变成了一个整数。 比如上面说的abcdefg的词汇ab,bc,cd,de,ef,fg，分别变成了[0,1,2,3,4,5] 使用特征矩阵来描述相似度 何为文本相似度的特征矩阵，我们可以这么来定义 一个特征矩阵