句子相似度

计算句子相似度，①常用方法有基于语义和词序相似度计算方法，②基于关系向量模型

基于语义和词序的句子相似度计算方法简介

定义1：给定一个句子Ti，经过汉语分词系统分词后，得到的所有词W1构成的向量称为句子Ti的向量表示，表示为Ti = {w1,w2,.....wn}。

例子1：T1：这个中文分词可不可以，用着方不方便。分词后：T1=[这个, 中文分词, 可不可以, 用着, 方, 不, 方便]。向量表示T1={这个, 中文分词, 可不可以, 用着, 方, 不, 方便}

            T2：这个中文分词比较方便，用着方便还可以。分词后：T2=[这个, 中文分词, 比较方便, 用着, 方便, 还可以]。向量表示T2={这个, 中文分词, 比较方便, 用着, 方便, 还可以}

定义2：给定一个句子Ti的向量表示，Ti中词的个数称为Ti的向量长度，表示为Len(Ti).

例子2：对于句子T1和T2的向量长度表示为：Len(T1)=7，Len(T1)=6。

定义3：给定两个句子Ti、Tj的向量表示，将Ti、Tj中的所有词Wi进行合并，并且对于重复初想的词只保留一个，由此得到两个向量之和，称为Ti、Tj的并集，表示T=T1 U T2={这个, 中文分词, 可不可以, 比较方便，用着, 方, 不, 方便，还可以}，很显然，并集长度Len(T)<=Len(T1)+Len(T2)。

定义4：给定一个句子Ti的向量表示Ti = {w1,w2,.....wn}和一个词wi，依次计算wi和Ti中每一个词的相似度（值为0到1之间），所以所有结果中的最大值称为wi在Ti中的语义分数，表示为Ci。

定义5：给定两个句子Ti、Tj的向量表示，Ti和Tj的集合T={w1、w2,....wn}，对T中的每一个词Wi，计算Wi在Ti中的语义分数Ci,T中每个分词的语义分数组成的一个向量称为Ti基于T的语义向量，表示为Si={C1,C2,...,Cn}。

       在该算法中，基于T分别计算Ti和Tj的语义向量Si、Sj，以计算Si作为说明，过程如下：

1、对于T中的每一个词wi，如果wi 在Ti 中出现，则在语义向量Si中将wi 的语义分数Ci设为1。

2、如果Ti中不包含wi，则计算wi 在 Ti 中的语义分数 Ci=a(a为预先设定的阈值 ， 无阈值设为0 ，本文中阈值为0.2 ) 。

    根据语义向量计算语义相似度方法如下图：

    利用IKAnalyzer中文分词，计算句子相似度

     词序相似度计算法方法如下：

     利用IKAnalyzer中文分词，计算句子相似度       

其中r1、r2 分别为T1、T2的词序向量，以T1为例，其计算方法如下：

1、对于T中的每一个词wi，如果T1中包含该次，则r1中该次的取值为该词在T1中出现的词序。否则在T1中找出与wi最相似的词Wi。

2、如果wi 和 wi 的相似度大于一个给定的阈值（实验取值为0.4），wi在r1中的取值设为wi在Ti中出现的词序。

3、如果两种情况均为发生，则wi在r1中的取值设为null。