文本去重第一步：基于内容的文本相似性计算

转载自 yshjava的个人博客主页 《文本去重第一步：基于内容的文本相似性计算》

为何要计算文档相似性

      在今年年初的时候，我开始尝试做文本的自动聚类，当时是从网上，找到的一个K-Means算法，稍作了修改。从测试结果来看，分类效果不太好，究其原因，我认为有两个，一个是词库的问题，停用词词库太小，没有噪音词库，也没有近义词词库，最关键的是切出来的词，统计的TFIDF权重不准确，第二个原因则是计算某文档与目标类别的相似度的算法不够合理。第一个问题经过两天多的尝试，于昨日解决了，剩下了第二个问题，真是让人头疼。
本来我已打算放一阵子的，但就在前几天Merry跟我讲了他文本去重的原理和一些细节问题，让我又重新燃起了希望。同时我也认为，计算文档相似度，不仅能够为去重提供重要依据，稍后也可以在文本分类/聚类上有所作为，于是，我打算抽一点点时间，去尝试一下。 

 

 

 

算法模型

 算法的模型，可以简单描述为：

1、加载与将要分析的文档无关的TFIDF词库、停用词库；
2、假设我们得到的是两篇正常的文档，首先切词，去除停用词；
3、抽取两篇文档中的公共词汇，计算它们的TFIDF权重和；
4、分别计算两篇文档的TFIDF权重，即每篇文档中所有词汇的TFIDF和；
5、使用公共词汇的权重分别对两篇文档的权重求模，并计算它们的乘积；
6、乘积即为两篇文档的相似度;

 

算法的理论依据是，TFIDF权重越高的词，其在文章中代表意义就越大，由此，假设我们拥有了一个标准的TFIDF词库，那么我们就可以在将文章分词后，将其向量化，并加权后虚拟成一个面积，两篇文章公共的部分，也可以虚拟成一个面积值，根据概率论的概率分布理论，公共部分在两个面积中出现的概率的乘积，即为二者的相似程度。

 

 

算法代码

 

 

/*
 * To change this template, choose Tools | Templates
 * and open the template in the editor.
 */
package cn.ysh.studio.text.cluster.main;

import cn.ysh.studio.text.cluster.TFIDFHelper;
import cn.ysh.studio.text.cluster.core.Dictionary;
import cn.ysh.studio.text.cluster.core.Document;
import cn.ysh.studio.text.cluster.utils.FileHelper;
import java.io.File;
import java.io.FileNotFoundException;
import java.io.IOException;

/**
 * 计算两篇文档的相似度
 *
 * @author 杨胜寒
 */
public class SimpleComputeSimilarity {

    public static float repeatValue(Document doc1, Document doc2) {
        float keywordTFIDF = 0.0f;
        float doc1TFIDF = 0.0f;
        float doc2TFIDF = 0.0f;
        for (String word : doc1.getContentTerms().keySet()) {
            if (doc2.getContentTerms().containsKey(word)) {
                keywordTFIDF += doc1.getContentTerms().get(word);
            }
            doc1TFIDF += doc1.getContentTerms().get(word);
        }
        for (String word : doc2.getContentTerms().keySet()) {
            doc2TFIDF += doc2.getContentTerms().get(word);
        }
        return (keywordTFIDF / doc1TFIDF) * (keywordTFIDF / doc2TFIDF);
    }

    public static void main(String[] s) throws FileNotFoundException, IOException {
//        String docPath1 = "F:\\Workspaces\\NetBeansTest\\TextCluster\\txt\\洛阳空气质量差环保部门被批 环保局向市民道歉.txt";
//        String docPath2 = "F:\\Workspaces\\NetBeansTest\\TextCluster\\txt\\洛阳空气质量差环保局公开道歉 细说原因对策.txt";
        String docPath1 = "F:\\Workspaces\\NetBeansTest\\TextCluster\\txt\\英美媒体：美国暂时对南海争端避而远之.txt";
        String docPath2 = "F:\\Workspaces\\NetBeansTest\\TextCluster\\txt\\美媒：黄岩岛争端结束中国获胜 美只求自由通航.txt";
        Document doc1 = FileHelper.loadDocument(new File(docPath1));
        Document doc2 = FileHelper.loadDocument(new File(docPath2));
        Dictionary.getInstance().loadDictionary("F:\\Workspaces\\NetBeansTest\\TextCluster\\自由自在词典.dic");
        Dictionary.getInstance().loadStopDictionary("F:\\Workspaces\\NetBeansTest\\TextCluster\\txt\\stopwords.txt");
        long start = System.currentTimeMillis();
        TFIDFHelper.tfidf(new Document[]{doc1, doc2});
        float repeatValue = SimpleComputeSimilarity.repeatValue(doc1, doc2);
        long end = System.currentTimeMillis();
        System.out.println("相似值:" + repeatValue + ",用时[" + (end - start) + "]毫秒!");
    }
}

 

 

测试结果截图：

 

 

 

 

测试中使用到两篇文档来自百度新闻，在附件中有，感兴趣的同学可以看一下内容，然后评判上述结果是否准确。

 

使用上述算法，对数据库中的18609篇新闻资讯进行相似度计算，输出相似度大于0.5的资讯的信息。截图如下：

 

 

 

 

算法优劣

 

相似度计算的算法极为简单，但是对依赖的词典要求很高，算法中使用的"自由自在词典.dic"是作者的另外一个工具根据爬虫收集的海量资讯信息抽取好统计出来的，包含了词汇及其TF、IDF权重值，旨在为分析器提供一个中立的、与被分析文档无关的TF/IDF权重词库。附件中顺便提供了一份小的词典样例，随着分析工具分析资讯信息的数量的不断增加，词库也将不断扩大。

 

 

个人总结

 

虽然目前来看，效果还可以，但是我认为还有以下几个方面应该改进：
1、扩大停用词库，增加噪音词库，降低无用词汇的干扰；
2、扩大TFIDF词库，同时标注词性，我认为特殊词性的词汇在不同场合应该特殊处理，如名词、动词和专用词汇在相似性计算中应该被加权；
3、增加近义词库和转换词库（比如美方=美国，华盛顿=美国，北京=中国，叙=叙利亚等等），据我预测，在多数场合中，合并近义词、转换词可以提高计算结果的精确度；

好吧，就先总结这么多吧，希望能够抛砖引玉，为大家提供一点思路。

 

原创文章，转载请注明出处：http://www.yshjava.cn/post/332.html