余弦相似性获取文章相似度的java实现

转自：http://www.chepoo.com/cosine-similarity-java-implementation.html

文章相似度的实现可以用余弦相似性实现。余弦定理可参考：
余弦定理

字符串之间的相似度实现：字符串相似度算法(编辑距离)java实现

我们可以把它们想象成空间中的两条线段，都是从原点（[0, 0, ...]）出发，指向不同的方向。两条线段之间形成一个夹角，如果夹角为0度，意味着方向相同、线段重合；如果夹角为90度，意味着形成直角，方向完全不相似；如果夹角为180度，意味着方向正好相反。因此，我们可以通过夹角的大小，来判断向量的相似程度。夹角越小，就代表越相似。

余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似，这就叫”余弦相似性”。

阮一峰老师写的一篇博文简单明了，大家可以看看：TF-IDF与余弦相似性的应用（二）：找出相似文章

实现该算法思路：
1.先用es-ik进行文章分词。
2.得到两篇文章的词频向量
3.计算两个向量的余弦相似度，值越大就表示越相似。

相关代码实现已经github上。具体地址为：https://github.com/awnuxkjy/recommend-system

package com.xq.algorithm;import java.util.ArrayList;import java.util.LinkedHashMap;import java.util.List;import java.util.Map;/** *  * <p>Title:</p> * <p>Description: 余弦获取文章相似性 * </p> * @createDate：2013-8-26 * @author xq * @version 1.0 */public class CosineSimilarAlgorithm {/** * * @Title: cosSimilarityByFile* @Description: 获取两个文件相似性* @param @param firstFile* @param @param secondFile* @param @return    * @return Double   * @throws */public static Double cosSimilarityByFile(String firstFile,String secondFile){try{Map<String, Map<String, Integer>> firstTfMap=TfIdfAlgorithm.wordSegCount(firstFile);Map<String, Map<String, Integer>> secondTfMap=TfIdfAlgorithm.wordSegCount(secondFile);if(firstTfMap==null || firstTfMap.size()==0){throw new IllegalArgumentException("firstFile not found or firstFile is empty! ");}if(secondTfMap==null || secondTfMap.size()==0){throw new IllegalArgumentException("secondFile not found or secondFile is empty! ");}Map<String,Integer> firstWords=firstTfMap.get(firstFile);Map<String,Integer> secondWords=secondTfMap.get(secondFile);if(firstWords.size()<secondWords.size()){Map<String, Integer> temp=firstWords;firstWords=secondWords;secondWords=temp;}return calculateCos((LinkedHashMap<String, Integer>)firstWords, (LinkedHashMap<String, Integer>)secondWords);}catch(Exception e){e.printStackTrace();}return 0d;}/** * * @Title: cosSimilarityByString* @Description: 得到两个字符串的相似性* @param @param first* @param @param second* @param @return    * @return Double   * @throws */public static Double cosSimilarityByString(String first,String second){try{Map<String, Integer> firstTfMap=TfIdfAlgorithm.segStr(first);Map<String, Integer> secondTfMap=TfIdfAlgorithm.segStr(second);if(firstTfMap.size()<secondTfMap.size()){Map<String, Integer> temp=firstTfMap;firstTfMap=secondTfMap;secondTfMap=temp;}return calculateCos((LinkedHashMap<String, Integer>)firstTfMap, (LinkedHashMap<String, Integer>)secondTfMap);}catch(Exception e){e.printStackTrace();}return 0d;}/** * * @Title: calculateCos* @Description: 计算余弦相似性* @param @param first* @param @param second* @param @return    * @return Double   * @throws */private static Double calculateCos(LinkedHashMap<String, Integer> first,LinkedHashMap<String, Integer> second){List<Map.Entry<String, Integer>> firstList = new ArrayList<Map.Entry<String, Integer>>(first.entrySet());List<Map.Entry<String, Integer>> secondList = new ArrayList<Map.Entry<String, Integer>>(second.entrySet());//计算相似度          double vectorFirstModulo = 0.00;//向量1的模          double vectorSecondModulo = 0.00;//向量2的模          double vectorProduct = 0.00; //向量积          int secondSize=second.size();for(int i=0;i<firstList.size();i++){if(i<secondSize){vectorSecondModulo+=secondList.get(i).getValue().doubleValue()*secondList.get(i).getValue().doubleValue();vectorProduct+=firstList.get(i).getValue().doubleValue()*secondList.get(i).getValue().doubleValue();}vectorFirstModulo+=firstList.get(i).getValue().doubleValue()*firstList.get(i).getValue().doubleValue();}   return vectorProduct/(Math.sqrt(vectorFirstModulo)*Math.sqrt(vectorSecondModulo));}public static void main(String[] args){Double result=cosSimilarityByString("中国是超级大国","中国是世界超级大国。");System.out.println(result);}}

本文固定链接: http://www.chepoo.com/cosine-similarity-java-implementation.html | IT技术精华网