|
功能需求：最近在做通過爬蟲技術(shù)去爬取各大相關(guān)網(wǎng)站的新聞，儲存到公司數(shù)據(jù)中。這里面就有一個(gè)技術(shù)點(diǎn)，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(shù)據(jù)庫中。（因?yàn)橛芯W(wǎng)站會去引用其它網(wǎng)站新聞，或者把其它網(wǎng)站新聞拿過來稍微改下內(nèi)容就發(fā)布到自己網(wǎng)站中）。
解析方案：最終就是采用余弦相似度算法，來計(jì)算兩個(gè)新聞?wù)牡南嗨贫取，F(xiàn)在自己寫一篇博客總結(jié)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(gè)方式來計(jì)算相似度的。網(wǎng)址：相似度算法之余弦相似度。
1、說重點(diǎn)
我這邊先把計(jì)算兩個(gè)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(jì)算相識度公式。
（2）明白：余弦值越接近1，也就是兩個(gè)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(gè)向量越不相似，也就是這兩個(gè)字符串越不相似。
2、案例理論知識
舉一個(gè)例子來說明，用上述理論計(jì)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(jì)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(nèi)容就應(yīng)該越相似。因此，可以從詞頻入手，計(jì)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(jì)算詞頻。（也就是每個(gè)詞語出現(xiàn)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(yùn)用上面的公式：計(jì)算如下：
計(jì)算結(jié)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(shí)際開發(fā)案例
我把我們實(shí)際開發(fā)過程中字符串相似率計(jì)算代碼分享出來。
1、pom.xml
展示一些主要jar包
<!--結(jié)合操作工具包-->
<dependency>
<groupId>org.apache.commons</groupId>
<artifactId>commons-lang3</artifactId>
<version>3.5</version>
</dependency>
<!--bean實(shí)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(jì)算兩個(gè)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(guān)鍵價(jià)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(jià)格還挺實(shí)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(yùn)行結(jié)果：
通過運(yùn)行結(jié)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(gè)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(biāo)準(zhǔn)分詞進(jìn)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(jié)果）
這里面真正用到的其實(shí)就詞名和權(quán)重。
 import lombok.Data;
import java.util.Objects;
/**
* 封裝分詞結(jié)果*/
@Data
public class Word implements Comparable {
// 詞名
private String name;
// 詞性
private String pos;
// 權(quán)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(shí)現(xiàn)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(jì)算兩個(gè)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(jì)算兩個(gè)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(gè)為0或者空，一個(gè)不為，那說明完全不相似
if (StringUtils.isBlank(text1) || StringUtils.isBlank(text2)) {
return 0.0;
}
//這個(gè)代表如果兩個(gè)字符串相等那當(dāng)然返回1了（這個(gè)我為了讓它也分詞計(jì)算一下，所以注釋掉了）
// if (text1.equalsIgnoreCase(text2)) {
// return 1.0;
// }
//第一步：進(jìn)行分詞
List<Word> words1 = Tokenizer.segment(text1);
List<Word> words2 = Tokenizer.segment(text2);
return getSimilarity(words1, words2);
}
/**
* 2、對于計(jì)算出的相似度保留小數(shù)點(diǎn)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(shí)代表保留小數(shù)點(diǎn)后六位 ,因?yàn)?034234.213強(qiáng)制轉(zhuǎn)換不就是1034234。對于強(qiáng)制轉(zhuǎn)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(jì)算 判定方式：余弦相似度，通過計(jì)算兩個(gè)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(gè)Word對象的屬性都注入weight（權(quán)重）屬性值
taggingWeightByFrequency(words1, words2);
//第二步：計(jì)算詞頻
//通過上一步讓每個(gè)Word對象都有權(quán)重值，那么在封裝到map中（key是詞，value是該詞出現(xiàn)的次數(shù)（即權(quán)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，后進(jìn)行計(jì)算
words.parallelStream().forEach(word -> {
//看同一詞在a、b兩個(gè)集合出現(xiàn)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(jì)算浮點(diǎn)數(shù)
//double aabb = aaa * bbb;
BigDecimal aabb = BigDecimal.valueOf(aaa).multiply(BigDecimal.valueOf(bbb));
//similarity=a.b/|a|*|b|
//divide參數(shù)說明：aabb被除數(shù),9表示小數(shù)點(diǎn)后保留9位，最后一個(gè)表示用標(biāo)準(zhǔn)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(gè)Word對象的屬性都注入weight（權(quán)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(tǒng)計(jì)（key是詞，value是該詞在這段句子中出現(xiàn)的次數(shù)）
Map<String, AtomicInteger> frequency1 = getFrequency(words1);
Map<String, AtomicInteger> frequency2 = getFrequency(words2);
//如果是DEBUG模式輸出詞頻統(tǒng)計(jì)信息
// if (LOGGER.isDebugEnabled()) {
// LOGGER.debug("詞頻統(tǒng)計(jì)1：\n{}", getWordsFrequencyString(frequency1));
// LOGGER.debug("詞頻統(tǒng)計(jì)2：\n{}", getWordsFrequencyString(frequency2));
// }
// 標(biāo)注權(quán)重（該詞出現(xiàn)的次數(shù)）
words1.parallelStream().forEach(word -> word.setWeight(frequency1.get(word.getName()).floatValue()));
words2.parallelStream().forEach(word -> word.setWeight(frequency2.get(word.getName()).floatValue()));
}
/**
* 統(tǒng)計(jì)詞頻
* @return 詞頻統(tǒng)計(jì)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(tǒng)計(jì)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(gòu)造權(quán)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(gè)具體實(shí)現(xiàn)代碼因?yàn)樗季S很緊密所以有些地方寫的比較繞，同時(shí)為了性能提升還手寫了AtomicFloat原子類。
6、AtomicFloat原子類
import java.util.concurrent.atomic.AtomicInteger;
/**
* jdk沒有AtomicFloat，寫一個(gè)
*/
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());
}
}
7、總結(jié)
把大致思路再捋一下：
（1）先分詞： 分詞當(dāng)然要按一定規(guī)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(biāo)準(zhǔn)分詞進(jìn)行分詞。
（2）統(tǒng)計(jì)詞頻： 就統(tǒng)計(jì)上面詞出現(xiàn)的次數(shù)。
（3）通過每一個(gè)詞出現(xiàn)的次數(shù)，變成一個(gè)向量，通過向量公式計(jì)算相似率。
我只是偶爾安靜下來，對過去的種種思忖一番。那些曾經(jīng)的舊時(shí)光里即便有過天真愚鈍，也不值得譴責(zé)。畢竟，往后的日子，還很長。不斷鼓勵(lì)自己，
天一亮，又是嶄新的起點(diǎn)，又是未知的征程（上校3）
|
