两篇文章的相似度比较

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 words = new HashMap();
	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 tf_a = iniCosine(str);
		Map 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 block
			e.printStackTrace();
			return null;
		}
	}

	private static Map iniCosine(String str) {
		Map tf = new HashMap();
		Map idf = new HashMap();
		
		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> 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。