参考1：实验报告：运用shingling+minhash+lsh方法对文档相似性进行分析，http://blog.csdn.net/u014686180/article/details/45743391
作者：Username_Password_R
参考2：文本相似度计算-JaccardSimilarity和哈希签名函数，
http://blog.csdn.net/ygrx/article/details/12748857
作者：ygrx，代码：GitHub.com/wyh267/myCodeLib/...
文本相似度计算
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，比如在搜索引擎上，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，这一项的应用就非常广泛。
- 考试防作弊系统；
- 论文抄袭检查；
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，将 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Python代码示例如下：
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 index2>index1):
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。
优化1：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]
优化2：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：
- 一个特征矩阵的任何一行是全局所有元素中的 一个元素,任何一列是一个集合。
- 若全局第i个 元素出现在第j个集合里面,元素(i, j) 为1,否则 为0。
比如我们有world和could两个文本，设k为2通过k-shingle拆分以后，分别变成了[wo,or,rl,ld]和[co,ou,ul,ld]。那么他们的特征矩阵就是——
通过特征矩阵，我们很容易看出来，两个文本的相似性就是他们公共的元素除以所有的元素，也就是 1/7 在这个矩阵中，集合列上面不是0就是1，其实我们可以把特征矩阵稍微修改一下，列上面存储的是该集合中词语出现的个数，我觉得可靠性更高一些。
至此，我们已经把一个简单的词汇表集合转换成上面的矩阵了，由于第一列的词汇表实际上是一个顺序的数列，所以我们需要存储的实际上只有后面的每一列的集合的数据了，而且也都是整数，这样存储空间就小多了。
优化3：继续优化特征矩阵，使用hash签名
对于保存上述特征矩阵，我们如果还嫌太浪费空间了，那么可以继续优化，如果能将每一列数据做成一个哈希签名，我们只需要比较签名的相似度就能大概的知道文本的相似度就好了，注意，我这里用了大概，也就是说这种方法会丢失掉一部分信息，对相似度的精确性是有影响的，如果在大量需要处理的数据面前，丢失一部分精准度而提供处理速度是可以接受的。
那么，怎么来制作这个hash签名呢？我们这么来做：
- 先找到一组自定义的哈希函数H1,H2...Hn
- 将每一行的第一个元素，就是词汇表hash后得到的数字，分别于自定的哈希函数进行运算，得到一组新的数
- 建立一个集合(S1,S2...Sn)与哈希函数(H1,H2...Hn)的新矩阵T，并将每个元素初始值定义为无穷大
- 对于任何一列的集合，如果T(Hi,Sj)为0，则什么都不做
- 对于任何一列的集合，如果T(Hi,Sj)不为0，则将T(Hi,Sj)和当前值比较，更新为较小的值。
还是上面那个矩阵，使用hash签名以后，我们得到一个新矩阵，我们使用了两个哈希函数：H1= (x+1)%7 H2=(3x+1)%7 得到下面矩阵——
然后，我们建立一个集合组T与哈希函数组H的新矩阵——
接下来，按照上面的步骤来更新这个矩阵。
- 对于集合1，他对于H1来说，他存在的元素中，H1后最小的数是1，对于H2来说，最小的是0
- 对于集合2，他对于H1来说，他存在的元素中，H1后最小的数是0，对于H2来说，最小的是2
所以，矩阵更新以后变成了——
通过这个矩阵来计算相似度，只有当他们某一列完全相同的时候，我们才认为他们有交集，否则不认为他们有交集，所以根据上面这个矩阵，我们认为集合1和集合2的相似度为0。这就是我刚刚说的大概的含义，他不能精确的表示两个文本的相似性，得到的只是一个近似值。
在编程的时候，上面那个矩阵其实并不需要完全保存在内存中，可以边使用边生成，所以，对于之前用整体矩阵来说，我们最后只需要有上面这个签名矩阵的存储空间就可以进行计算了，这只和集合的数量还有哈希函数的数量有关。
这部分的简单算法描述如下：
res=[]
for index1,v1 in enumerate(file_name_list):
for index2,v2 in enumerate(file_name_list):
g_hash.clear()
g_val=0
hash_contents=[]
min_hashs=[]
if(v1 != v2 and index2>index1):
hash_contents.append(getHashInfoFromFile(v1)) #计算集合1的词汇表
hash_contents.append(getHashInfoFromFile(v2)) #计算集合2的词汇表
adjContentList(hash_contents) #调整hash表长度
a=[x for x in range(len(g_hash))]
minhash_pares=[2,3,5,7,11] #最小hash签名函数参数
for para in minhash_pares:
min_hashs.append(calcMinHash(para,len(g_hash),a)) #最小hash签名函数生成
sig_list=calcSignatureMat(len(min_hashs)) #生成签名列表矩阵
for index,content in enumerate(hash_contents):
calcSignatures(content,min_hashs,sig_list,index) #计算最终签名矩阵
simalar=calcSimilarity(sig_list) #计算相似度
res.append([v1,v2,simalar])
return res
同样，具体代码可以参考我的GitHub，代码没优化，只是做了算法描述的实现，内存占用还是多，呵呵。
附：Github上的完整代码如下：
# -*- coding=utf-8 -*-
# 利用jaccard similarity 计算文本相似度
#
import os
import time
import progressbar
def to_unicode_or_bust(obj,encoding='utf-8'):
if isinstance(obj, basestring):
if not isinstance(obj, unicode):
obj = unicode(obj, encoding)
return obj
#############################################
#
# 读取文件，保存到一个字符串中
# 输入： 文件名完整路径
# 输出： 文件内容
#
#############################################
def readFile(file_name):
f=open(file_name,"r")
file_contents=f.read()
file_contents=file_contents.replace("\t","")
file_contents=file_contents.replace("\r","")
file_contents=file_contents.replace("\n","")
f.close()
return file_contents#to_unicode_or_bust(file_contents)
#############################################
#
# 分割字符串，使用k-shingle方式进行分割
# 输入：字符串，k值
# 输出：分割好的字符串，存入数组中
#
#############################################
def splitContents(content,k=5):
content_split=[]
for i in range(len(content)-k):
content_split.append(content[i:i+k])
return content_split
#############################################
#
# 将数据保存到hash表中，也就是某个集合
# 输入：已经分隔好的数据
# 输出：hash表
#
#############################################
def hashContentsList(content_list):
hash_content={}
for i in content_list:
if i in hash_content:
hash_content[i]=hash_content[i]+1
else:
hash_content[i]=1
return hash_content
#############################################
#
# 计算交集
# 输入：两个hash表
# 输出：交集的整数
#
#############################################
def calcIntersection(hash_a,hash_b):
intersection=0
if(len(hash_a) <= len(hash_b)):
hash_min=hash_a
hash_max=hash_b
else:
hash_min=hash_b
hash_max=hash_a
for key in hash_min:
if key in hash_max:
if(hash_min[key]<=hash_max[key]):
intersection=intersection+hash_min[key]
else:
intersection=intersection+hash_max[key]
return intersection
#############################################
#
# 计算并集
# 输入：两个hash表
# 输出：并集的整数
#
#############################################
def calcUnionSet(hash_a,hash_b,intersection):
union_set=0
for key in hash_a:
union_set=union_set+hash_a[key]
for key in hash_b:
union_set=union_set+hash_b[key]
return union_set-intersection
#############################################
#
# 计算相似度
# 输入：交集和并集
# 输出：相似度
#
#############################################
def calcSimilarity(intersection,union_set):
if(union_set > 0):
return float(intersection)/float(union_set)
else:
return 0.0
#############################################
#
# 从某个文本文件获取一个集合，该集合保存了文本中单词的出现频率
# 输入：文件名，k值,默认为5
# 输出：一个词频的hash表
#
#############################################
def getHashInfoFromFile(file_name,k=5):
content=readFile(file_name)
content_list = splitContents(content,k)
hash_content = hashContentsList(content_list)
return hash_content
#############################################
#
# 获取文件列表
# 输入：目录名
# 输出：文件列表，文件名列表
#
#############################################
def collectFileList(file_path):
print u"获取文件列表...."
start = time.time()
file_name_list=[]
file_names=[]
for parent,dirnames,filenames in os.walk(file_path):
#print filenames
for file_name in filenames:
if(file_name[-4:] == ".txt" ):
file_name_list.append(file_path+file_name)
file_names.append(file_name)
end = time.time()
print u"获取文件列表结束，用时: " + str(end-start) + u"秒"
return file_name_list,file_names
#############################################
#
# 获取每个文件词汇
# 输入：文件列表
# 输出：词汇表列表
#
#############################################
def getAllFilesWordsList(file_name_list,file_names,k=5):
print u"获取每个文本的词汇词频表...."
start = time.time()
hash_contents=[]
all=float(len(file_name_list))
pos=0.0
pro = progressbar.ProgressBar().start()
#获取每个文本的词汇词频表
for index,file_name in enumerate(file_name_list):
pos=pos+1
rate_num=int(pos/all*100)
pro.update(rate_num)
#time.sleep(0.1)
hash_contents.append([getHashInfoFromFile(file_name,k),file_names[index]])
pro.finish()
end = time.time()
print u"获取每个文本的词汇词频表结束，用时: " + str(end-start) + u"秒"
return hash_contents
#############################################
#
# 计算两两相似度
# 输入：哈希数据列表
# 输出：相似度数组
#
#############################################
def calcEachSimilar(hash_contents):
print u"计算所有文本互相之间的相似度...."
start = time.time()
similar_list=[]
all=float(len(hash_contents))
pos=0.0
pro = progressbar.ProgressBar().start()
for index1,v1 in enumerate(hash_contents):
pos=pos+1
rate_num=int(pos/all*100)
pro.update(rate_num)
#time.sleep(0.1)
#print "%02d" % int(pos/all*100),
for index2,v2 in enumerate(hash_contents):
if(v1[1] != v2[1] and index2>index1):
intersection=calcIntersection(v1[0],v2[0]) #计算交集
union_set=calcUnionSet(v1[0],v2[0],intersection) #计算并集
similar=calcSimilarity(intersection,union_set)
similar_list.append([similar,v1[1],v2[1]])
#print v1[1]+ "||||||" + v2[1] + " similarity is : " + str(calcSimilarity(intersection,union_set)) #计算相似度
pro.finish()
similar_list.sort()
similar_list.reverse()
end = time.time()
print u"计算所有文本互相之间的相似度结束，用时: " + str(end-start) + u"秒"
return similar_list
#############################################
#
# 主程序
# 输入:路径和k-shingle中的k值
# 输出:两两相似度数组
#
#############################################
def calcSimilarityByWords(file_path,k=5):
file_name_list,file_names=collectFileList(file_path)
hash_contents=getAllFilesWordsList(file_name_list,file_names,k)
res=calcEachSimilar(hash_contents)
return res