两篇文章的相似度比较

来源：互联网发布：数据录入员在家兼职编辑：程序博客网时间：2024/05/21 16:13

仅仅考虑两篇文章的词组，并未考虑文本的语义信息。

实现原理：

1. 对两篇文档进行词频统计；

2. 利用“TF-IDF和余弦相似度”原理，计算两篇文档的相似度。

实现过程：

1.利用lucene对大量文章建立索引，创建语料库，来提高TF-IDF的准确度。

2. 通过余弦公式计算出两篇文章的相似度。

package twodocsimiliary;import java.io.BufferedReader;import java.io.File;import java.io.FileInputStream;import java.io.IOException;import java.io.InputStreamReader;import java.io.Reader;import java.io.StringReader;import java.text.DecimalFormat;import java.util.HashMap;import java.util.Map;import org.apache.lucene.index.DirectoryReader;import org.apache.lucene.index.IndexReader;import org.apache.lucene.index.Term;import org.apache.lucene.search.IndexSearcher;import org.apache.lucene.search.TermQuery;import org.apache.lucene.search.TopDocs;import org.apache.lucene.store.FSDirectory;import org.wltea.analyzer.core.IKSegmenter;import org.wltea.analyzer.core.Lexeme;/** * 仅仅考虑词组，并未考虑文本的语义信息 * @author wangss  * @date Aug 26, 2014 */public class comparisontwodoc {public static Map<Long,String> words = new HashMap<Long,String>();public static void main(String []args){//AnalyzerWord analyzer = new AnalyzerWord();String path_a = "H:\\a.txt";String path_b = "H:\\c.txt";String str = readFiles(path_a);String str2 = readFiles(path_b);Map<Long,Double> tf_a = iniCosine(str);Map<Long,Double> tf_b = iniCosine(str2);long molecular=0;//分子long denominator_a=0;//分母long denominator_b=0;System.out.println("两篇文档相似的词有：");DecimalFormat df = new DecimalFormat("0.00");for(long tfa :tf_a.keySet()){denominator_a += tf_a.get(tfa)*tf_a.get(tfa);molecular += tf_a.get(tfa)*(null==tf_b.get(tfa)?0:tf_b.get(tfa));if(tf_a.get(tfa)!=null && tf_b.get(tfa)!=null){System.out.println(words.get(tfa)+"  TF-IDF词频统计 文档一：" +df.format(tf_a.get(tfa))+";文档二："+df.format(tf_b.get(tfa)));}}for(long tfb : tf_b.keySet()){denominator_b += tf_b.get(tfb)*tf_b.get(tfb);}double result = 0;if(denominator_a!=0 && denominator_b!=0){result =  (molecular/(Math.sqrt(denominator_a)*Math.sqrt(denominator_b)));}System.out.println("两篇文档相似度："+df.format(result*100) +"%");}private static String readFiles(String path_a) {try {InputStreamReader file_a = new InputStreamReader(new FileInputStream(new File(path_a)), "GBK");BufferedReader bufferedReader = new BufferedReader(file_a);StringBuffer str_a = new StringBuffer();            String lineTxt = null;            while((lineTxt = bufferedReader.readLine()) != null){//                System.out.println(lineTxt);                str_a.append(lineTxt);            }            file_a.close();            return str_a.toString();} catch (Exception e) {// TODO Auto-generated catch blocke.printStackTrace();return null;}}private static Map<Long,Double> iniCosine(String str) {Map<Long,Long> tf = new HashMap<Long,Long>();Map<Long,Double> idf = new HashMap<Long,Double>();Reader input = new StringReader(str);        // 智能分词关闭（对分词的精度影响很大）        IKSegmenter iks = new IKSegmenter(input, true);        Lexeme lexeme = null;//        StringBuilder sb = new StringBuilder();         try {        //读取索引        IndexReader indexReader = DirectoryReader.open(FSDirectory.open(new File("H:\\testIndex")));        int allDocs = indexReader.numDocs();//文档总数//        System.out.println("文档总数："+allDocs);                /*QueryParser queryParser = new MultiFieldQueryParser(        Version.LUCENE_45,new String[]{"content"} , new IKAnalyzer());*/            while ((lexeme = iks.next()) != null) {            String lexemeText = lexeme.getLexemeText();            long hash = ELFHash(lexemeText);                                IndexSearcher indexSearcher = new IndexSearcher(indexReader);TopDocs topDocs = indexSearcher.search(new TermQuery(new Term("content",lexemeText)), indexReader.maxDoc());int totalHits = topDocs.scoreDocs.length;double log = Math.log(allDocs/(totalHits+1));if(log<0) log = 0;//文档反转频度|idf.put(hash, log);                tf.put(hash, null==tf.get(hash)?1:tf.get(hash).longValue()+1);                words.put(hash, lexemeText);           }            //计算TF-IDF的值            for(long m : idf.keySet()){            idf.put(m, tf.get(m)*idf.get(m));            }        } catch (IOException e) {            e.printStackTrace();        }        return idf;}public static long ELFHash(String str){long hash = 0;long x = 0;for(int i = 0; i<str.length();i++){hash = (hash << 4)+str.charAt(i);if((x = hash & 0xF0000000L)!= 0){hash ^= (x >> 24);hash &= ~x;}}return (hash & 0x7FFFFFFF);}}

对比两篇文档的相似度，分析结果如下：

样本说明（字数600左右，来自新浪博客文章）：a.txt分别和b.txt c.txt d.txt进行对比

1. a.txt和b.txt内容一样；

2. a.txt和c.txt有一半左右内容一样；

3. a.txt和d.txt是两篇不同的新浪博客文章；

对比结果：

1. 两篇文档（一样的文档）相似度：100.00%；

2. 两篇文档（一半类似）相似度：53.25%；

两篇文档相似词的词频统计如下：

“诉说” TF-IDF词频统计文档一：0.69;文档二：0.69

“文坛” TF-IDF词频统计文档一：0.69;文档二：0.69

“简称” TF-IDF词频统计文档一：0.69;文档二：0.69

“挖苦” TF-IDF词频统计文档一：0.69;文档二：0.69

“命名” TF-IDF词频统计文档一：0.69;文档二：0.69

“票” TF-IDF词频统计文档一：0.69;文档二：0.69

“拽” TF-IDF词频统计文档一：0.69;文档二：0.69

......

3. 两篇文档（来自不同的博客文章）相似度：8.46%；

两篇文档相似词的词频统计如下：

“纳税人” TF-IDF词频统计文档一：2.08;文档二：3.47

“过去” TF-IDF词频统计文档一：0.00;文档二：0.00

“关心” TF-IDF词频统计文档一：0.69;文档二：0.69

“写” TF-IDF词频统计文档一：0.69;文档二：0.69

“真正” TF-IDF词频统计文档一：0.69;文档二：0.69

“今天” TF-IDF词频统计文档一：0.00;文档二：0.00 ----（为0，说明在每篇文档中都出现了这个词，重要性就会很低）

“奖金” TF-IDF词频统计文档一：0.69;文档二：0.69

......

相似性大于指定阈值(通常应大于40-50%)，即可认定两篇文档相似。

0 0