Jackcard相似度和余弦相似度(向量空间模型)的java实现
一、集合的Jackcard相似度
1.1Jackcard相似度
Jaccard相似指数用来度量两个集合之间的相似性，它被定义为两个集合交集的元素个数除以并集的元素个数。
数学公式描述:
J(A,B)=|A∩B||A∪B|
这个看似简单的算法有很大的用处，比如：
- 抄袭文档
高明的抄袭者为了掩盖自己抄袭的事实，会选择性的抄袭文档中的一些段落，或者对词语或原始文本中的句序进行改变。jackcard相似度计算适合从字面上进行计算，如果是更高级的抄袭改变了语义jackcard相似度计算就无能为力了 - 镜像页面
多个主机上建立镜像以共享加载内容，同一份内容有多个副本，这种情况实现jackcard相似度计算十分有效。 - 同源新闻稿
一个记者撰写了一份新闻稿件投稿多家媒体，稿件经过少量修改后发布，使用这些同源新闻稿可以用jackcard相似度算法来检测出来
1.2 Java实现
import java.util.HashSet;
import java.util.Map;
import java.util.Set;
/**
* Created by bee on 17/4/12.
*/
public class JackcardSim {
public static double calJackcardSim(Set s1, Set s2) {
Set all = new HashSet<>();
all.addAll(s1);
all.addAll(s2);
System.out.println(all);
Set both = new HashSet<>();
both.addAll(s1);
both.retainAll(s2);
System.out.println(both);
return (double) both.size() / all.size();
}
public static void main(String[] args) {
Set s1 = new HashSet();
s1.add("互联网");
s1.add("金融");
s1.add("房产");
s1.add("融资");
s1.add("科技");
Set s2 = new HashSet();
s2.add("互联网");
s2.add("开源");
s2.add("人工智能");
s2.add("软件");
s2.add("科技");
System.out.println(calJackcardSim(s1, s2));
}
}
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
运行结果
[科技, 房产, 软件, 融资, 人工智能, 互联网, 开源, 金融]
[科技, 互联网]
0.25- 1
- 2
- 3
- 1
- 2
- 3
二、向量空间模型
2.1简介
向量空间模型是一个把文本文件表示为标识符（比如索引）向量的代数模型。它应用于信息过滤、信息检索、索引以及相关排序。
文档和查询都用向量来表示。
dj=(w1,j,w2,j,...,wt,j)q=(w1,q,w2,q,...,wt,q)
cosθ=d2⋅q∥d2∥∥q∥=∑i=1Nwi,jwi,q∑i=1Nw2i,j−−−−−√∑i=1Nw2i,q−−−−−−√
2.2、java实现
import java.util.HashMap;
import java.util.HashSet;
import java.util.Map;
import java.util.Set;
/**
* Created by bee on 17/4/10.
*/
public class Vsm {
public static double calCosSim(Map v1, Map
v2) {
double sclar = 0.0,norm1=0.0,norm2=0.0,similarity=0.0;
Set v1Keys = v1.keySet();
Set v2Keys = v2.keySet();
Set both= new HashSet<>();
both.addAll(v1Keys);
both.retainAll(v2Keys);
System.out.println(both);
for (String str1 : both) {
sclar += v1.get(str1) * v2.get(str1);
}
for (String str1:v1.keySet()){
norm1+=Math.pow(v1.get(str1),2);
}
for (String str2:v2.keySet()){
norm2+=Math.pow(v2.get(str2),2);
}
similarity=sclar/Math.sqrt(norm1*norm2);
System.out.println("sclar:"+sclar);
System.out.println("norm1:"+norm1);
System.out.println("norm2:"+norm2);
System.out.println("similarity:"+similarity);
return similarity;
}
public static void main(String[] args) {
Map m1 = new HashMap<>();
m1.put("Hello", 1.0);
m1.put("css", 2.0);
m1.put("Lucene", 3.0);
Map m2 = new HashMap<>();
m2.put("Hello", 1.0);
m2.put("Word", 2.0);
m2.put("Hadoop", 3.0);
m2.put("java", 4.0);
m2.put("html", 1.0);
m2.put("css", 2.0);
calCosSim(m1, m2);
}
}
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
运行结果:
[css, Hello]
sclar:5.0
norm1:14.0
norm2:35.0
similarity:0.22587697572631282- 1
- 2
- 3
- 4
- 5
- 1
- 2
- 3
- 4
- 5
三、参考资料
https://zh.wikipedia.org/wiki/%E5%90%91%E9%87%8F%E7%A9%BA%E9%96%93%E6%A8%A1%E5%9E%8B
http://baike.baidu.com/link?url=enqtEW1bEXe0iZvil1MBk8m2upnfmN118p4cgjNpYdoJYe2l-FC5_s_yYQAq_3GUtiQW0jgwfMMBBxM0U16JiRKeFToPQ0fj058H7P8mHlZ5RV7rERN9Je7jdrYdA3gI7SRMUNTD