同义词相似度可以怎样计算
- - IT瘾-dev词语的相似性的计算方法有很多,比如字面相似度计算方法、基于语义词典的计算方法、基于统计的相似度(向量空间模型)计算方法和基于神经网络的相似度计算方法. 本篇文章讲讲基于词林的语义相似性. 《同义词词林》是上世纪80年代出版的对汉语词汇进行语义分类的义类词典,共收录64223条词目. 随后发展,哈尔滨工业大学信息检索实验室对其进行修正完善,《哈工大社会计算与信息检索研究中心同义词词林扩展版》.
词语的相似性的计算方法有很多,比如字面相似度计算方法、基于语义词典的计算方法、基于统计的相似度(向量空间模型)计算方法和基于神经网络的相似度计算方法。
本篇文章讲讲基于词林的语义相似性。
《同义词词林》是上世纪80年代出版的对汉语词汇进行语义分类的义类词典,共收录64223条词目。随后发展,哈尔滨工业大学信息检索实验室对其进行修正完善,《哈工大社会计算与信息检索研究中心同义词词林扩展版》。
举个例子一般的格式如下,一共包含了五个级别和一个标记位,看下面第一行从左到右,A为一级、a为二级、01为三级、A为四级、02为五级、=为标记位。标记位主要是用于区分常规同义词、相关词和只有词语本身,分别用 =
#
@
三个符号表示。其中 = 表示常规同义词,# 表示相关词,@ 则表示独立性质,既没有同义词也没有相关词。
Aa01A02= 人类 生人 全人类
Aa01B03# 良民 顺民
Aa01D01@ 角色
Aa02A08= 奴 妾 妾身 民女
编码位 | 1 | 2 | 34 | 5 | 67 | 8 |
---|---|---|---|---|---|---|
类别级别 | 一级 | 二级 | 三级 | 四级 | 五级 | 标记位 |
类别含义 | 大类 | 中类 | 小类 | 词群 | 原子词群 | 词语关系 |
词林的格式可以看成是一共有6个级,那么可以给每个级分配一定的权重,比如分配为 1.2, 1.2, 1.0, 1.0, 0.8, 0.4,总和为5.6。那么计算相似度时其实就是先获取两个单词对应的编码,然后再逐一对比编码每个级是否相等,将所有相等的级的权重加起来,除以总和得到的值即为相似性值。实现如下:
public static double sumWeight(String code1, String code2) {
double weight = 0.0;
for (int i = 1; i <= 6; i++) {
String c1 = getLevelCode(code1, i);
String c2 = getLevelCode(code2, i);
if (c1.equals(c2)) {
weight += WEIGHT[i - 1];
} else {
break;
}
}
return weight;
}
public static String getLevelCode(String code, int level) {
switch (level) {
case 1:
return code.substring(0, 1);
case 2:
return code.substring(1, 2);
case 3:
return code.substring(2, 4);
case 4:
return code.substring(4, 5);
case 5:
return code.substring(5, 7);
case 6:
return code.substring(7);
}
return "";
}
另外,由于每个词可能有多个编码,所以处理时取最高相似值的那个。
public double getSimilarity(String s1, String s2) {
if (s1 == null && s2 == null) {
return 1.0;
} else if (s1 == null || s2 == null) {
return 0.0;
} else if (s1.equalsIgnoreCase(s2)) {
return 1.0;
}
Set<String> codeSet1 = CilinDictionary.getInstance().getCilinCoding(s1);
Set<String> codeSet2 = CilinDictionary.getInstance().getCilinCoding(s2);
if (codeSet1 == null || codeSet2 == null) {
return 0.0;
}
double similarity = 0.0;
for (String code1 : codeSet1) {
for (String code2 : codeSet2) {
double s = sumWeight(code1, code2) / TOTAL_WEIGHT;
logger.debug(code1 + "-" + code2 + "-" + sumWeight(code1, code2));
if (similarity < s)
similarity = s;
}
}
return similarity;
}
public void test() {
String s1 = "中国人";
String s2 = "炎黄子孙";
CilinSimilarity cs = new CilinSimilarity();
System.out.println(cs.getSimilarity(s1, s2));
s1 = "汽车";
s2 = "摩托";
System.out.println(cs.getSimilarity(s1, s2));
s1 = "人";
s2 = "动物";
System.out.println(cs.getSimilarity(s1, s2));
s1 = "猫";
s2 = "狗";
System.out.println(cs.getSimilarity(s1, s2));
s1 = "今天";
s2 = "明天";
System.out.println(cs.getSimilarity(s1, s2));
}
1.0000000000000002
0.4285714285714286
0.0
0.4285714285714286
0.7857142857142858
https://github.com/sea-boat/TextAnalyzer/blob/master/src/main/java/com/seaboat/text/analyzer/similarity/CilinSimilarity.java