IKAnalyzer中文分词，计算句子相似度
一、简介
IKAnalyzer是一个开源的，基于java语言开发的轻量级的中文分词工具包。以开源项目Luence为应用主体的，结合词典分词和文法分析算法的中文分词组件。独立于Lucene项目，同时提供了对Lucene的默认优化实现。（简介来源：百度百科）
二、准备
项目结构：
ext.dic
stopword.dic
IKAnalyzer.cfg.xml
三、分词
分词由于比较简单，就直接粘贴代码了
public static Vector<String> participle( String str ) {
Vector<String> str1 = new Vector<String>() ;//对输入进行分词
try {
StringReader reader = new StringReader( str );
IKSegmenter ik = new IKSegmenter(reader,true);//当为true时，分词器进行最大词长切分
Lexeme lexeme = null ;
while( ( lexeme = ik.next() ) != null ) {
str1.add( lexeme.getLexemeText() );
}
if( str1.size() == 0 ) {
return null ;
}
//分词后
System.out.println( "str分词后：" + str1 );
} catch ( IOException e1 ) {
System.out.println();
}
return str1;
}四、计算相似度
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：
词序相似度计算法方法如下：
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。
然而，根据语义向量计算语义相似度方法中，想到了之前看过的一篇博客，通过余玄定理来实现，计算方法如下
//阈值
public static double YUZHI = 0.2 ;
/**
* 返回百分比
* @author: Administrator
* @Date: 2015年1月22日
* @param T1
* @param T2
* @return
*/
public static double getSimilarity(Vector<String> T1, Vector<String> T2) throws Exception {
int size = 0 , size2 = 0 ;
if ( T1 != null && ( size = T1.size() ) > 0 && T2 != null && ( size2 = T2.size() ) > 0 ) {
Map<String, double[]> T = new HashMap<String, double[]>();
//T1和T2的并集T
String index = null ;
for ( int i = 0 ; i < size ; i++ ) {
index = T1.get(i) ;
if( index != null){
double[] c = T.get(index);
c = new double[2];
c[0] = 1; //T1的语义分数Ci
c[1] = YUZHI;//T2的语义分数Ci
T.put( index, c );
}
}
for ( int i = 0; i < size2 ; i++ ) {
index = T2.get(i) ;
if( index != null ){
double[] c = T.get( index );
if( c != null && c.length == 2 ){
c[1] = 1; //T2中也存在，T2的语义分数=1
}else {
c = new double[2];
c[0] = YUZHI; //T1的语义分数Ci
c[1] = 1; //T2的语义分数Ci
T.put( index , c );
}
}
}
//开始计算，百分比
Iterator<String> it = T.keySet().iterator();
double s1 = 0 , s2 = 0, Ssum = 0; //S1、S2
while( it.hasNext() ){
double[] c = T.get( it.next() );
Ssum += c[0]*c[1];
s1 += c[0]*c[0];
s2 += c[1]*c[1];
}
//百分比
return Ssum / Math.sqrt( s1*s2 );
} else {
throw new Exception("传入参数有问题！");
}
}测试结果：
str分词后：[这个, 中文分词, 可不可以, 用着, 方, 不, 方便]
str分词后：[这个, 中文分词, 比较方便, 用着, 方便, 还可以]
相似度：0.7595872466989299代码地址：twosnail源码地址
原创作者：博客已经迁移，点击查看
来源：oschina
链接：https://my.oschina.net/u/2269877/blog/370744