文本相似度计算——HanLP分词+余弦相似度算法

一、余弦相似度简介

余弦相似度（又称为余弦相似性）：是通过测量两个向量的夹角的余弦值来度量它们之间的相似性。余弦值接近1，夹角趋于0，表明两个向量越相似；余弦值接近于0，夹角趋于90度，表明两个向量越不相似。

                

那么如何来计算余弦相似性呢？

余弦定理是三角形中三边长度与一个角的余弦值（cos）的数学式。

余弦定理的表达式如下：

勾股定理则是余弦定理的特殊情况，当角为直角时，即：时，公式简化为

根据余弦定理表达式，余弦的计算公式如下：

而a,b,c 是三个边的长度。假定a向量是[x1, y1]，b向量是[x2, y2]，那么根据向量求长度公式（向量的长度又叫向量的模，使用双竖线来包裹向量表示向量的长度）

，即；同理，，即 ，

而

 将此时的a，b，c带入余弦公式，即可推导出

即 ，其中分子为向量a与向量b的点乘，分母为二者各自的L2相乘，即将所有维度值的平方相加后开方。 

二、文本相似度计算思路

句子A：我想养一头奶牛，这样就可以每天喝新鲜的牛奶。

句子B：我想每天喝新鲜的牛奶，所以打算养一头奶牛。

1. 分词

       A分词结果：[我, 想, 养, 一头, 奶牛, 这样, 就, 可以, 每天, 喝, 新鲜, 的, 牛奶]

       B分词结果：[我, 想, 每天, 喝, 新鲜, 的, 牛奶, 所以, 打算, 养, 一头, 奶牛]

2. 取并集（将句子A、B分词后的结果取并集）

        [我, 想, 养, 一头, 奶牛, 这样, 就, 可以, 每天, 喝, 新鲜, 的, 牛奶, 所以, 打算]

3. 写出词频向量

根据句子A、B的分词结果去计算词频向量，其中词频向量的长度为第二步中的并集，而每一位代表单词的出现次数。

        句子A：(1,1,1,1,1,1,1,1,1,1,1,1,1,0,0)

        句子B：(1,1,1,1,1,0,0,0,1,1,1,1,1,1,1)

到这里，问题就变成了如何计算这两个向量的相似程度。

4. 计算余弦相似度

将词频向量代入余弦相似度公式：

 

计算结果中夹角的余弦值为0.80064，非常接近于1，所以，上面的句子A和句子B是基本相似的。

三、代码实现

使用HanLP需要先导入maven依赖：

        
        <dependency>
            <groupId>com.hankcsgroupId>
            <artifactId>hanlpartifactId>
            <version>portable-1.7.2version>
        dependency>

Java代码如下：

package com.scb.dss.udf;
 
import com.hankcs.hanlp.HanLP;
 
import java.util.ArrayList;
import java.util.Collections;
import java.util.List;
import java.util.stream.Collectors;
 
public class CosineSimilarity {
    /**
     * 使用余弦相似度算法计算文本相似性
     *
     * @param sentence1
     * @param sentence2
     * @return
     */
    public static double getSimilarity(String sentence1, String sentence2) {
        System.out.println("Step1. 分词");
        List sent1Words = getSplitWords(sentence1);
        System.out.println(sentence1 + "\n分词结果：" + sent1Words);
        List sent2Words = getSplitWords(sentence2);
        System.out.println(sentence2 + "\n分词结果：" + sent2Words);
 
        System.out.println("Step2. 取并集");
        List allWords = mergeList(sent1Words, sent2Words);
        System.out.println(allWords);
 
 
        int[] statistic1 = statistic(allWords, sent1Words);
        int[] statistic2 = statistic(allWords, sent2Words);
 
        // 向量A与向量B的点乘
        double dividend = 0;
        // 向量A所有维度值的平方相加
        double divisor1 = 0;
        // 向量B所有维度值的平方相加
        double divisor2 = 0;
        // 余弦相似度 算法
        for (int i = 0; i < statistic1.length; i++) {
            dividend += statistic1[i] * statistic2[i];
            divisor1 += Math.pow(statistic1[i], 2);
            divisor2 += Math.pow(statistic2[i], 2);
        }
 
        System.out.println("Step3. 计算词频向量");
        for(int i : statistic1) {
            System.out.print(i+",");
        }
        System.out.println();
        for(int i : statistic2) {
            System.out.print(i+",");
        }
        System.out.println();
 
        // 向量A与向量B的点乘 / （向量A所有维度值的平方相加后开方 * 向量B所有维度值的平方相加后开方）
        return dividend / (Math.sqrt(divisor1) * Math.sqrt(divisor2));
    }
 
    // 3. 计算词频
    private static int[] statistic(List allWords, List sentWords) {
        int[] result = new int[allWords.size()];
        for (int i = 0; i < allWords.size(); i++) {
            // 返回指定集合中指定对象出现的次数
            result[i] = Collections.frequency(sentWords, allWords.get(i));
        }
        return result;
    }
 
    // 2. 取并集
    private static List mergeList(List list1, List list2) {
        List result = new ArrayList<>();
        result.addAll(list1);
        result.addAll(list2);
        return result.stream().distinct().collect(Collectors.toList());
    }
 
    // 1. 分词
    private static List getSplitWords(String sentence) {
        // 标点符号会被单独分为一个Term，去除之
        return HanLP.segment(sentence).stream().map(a -> a.word).filter(s -> !"`~!@#$^&*()=|{}':;',\\[\\].<>/?~！@#￥……&*（）——|{}【】‘；：”“'。，、？ ".contains(s)).collect(Collectors.toList());
    }
}

测试代码：

package com.scb.dss.udf;
 
import org.junit.Test;
 
public class CosineSimilarityTest {
 
    @Test
    public void testGetSimilarity() throws Exception {
        String text3 = "我想养一头奶牛，这样就可以每天喝新鲜的牛奶。";
        String text4 = "我想每天喝新鲜的牛奶，所以打算养一头奶牛。";
        System.out.println("文本相似度为："+CosineSimilarity.getSimilarity(text3, text4));
    }
}

 

四、参考

相似度计算方法(三) 余弦相似度_潘永青的博客-CSDN博客_余弦相似度

余弦相似度Cosine Similarity相关计算公式 - 蝈蝈俊 - 博客园