文本相似度算法

1、文本相似度算法1 .信息检索中的重要发明TF-IDF1.1 TFTermfrequency即关键词词频，是指一篇文章中关键词出现的频率，比如在一篇M个词的文章中有N个该关键词，则TF=（公式i.i-i）为该关键词在这篇文章中的词频。1.2IDFInversedocumentfrequency指逆向文本频率，是用于衡量关键词权重的指数，由公式1D尸二log（D/Dj（公式1.2-1）计算而得，其中D为文章总数，Dw为关键词出现过的文章数。2 .基于空间向量的余弦算法2.1 算法步骤预处理-文本特征项选择-加权-生成向量空间模型后计算余弦。2.2 步骤简介2.2.1 预处理预处理主要是进行中文分词

2、和去停用词，分词的开源代码有：ICTCLASo然后按照停用词表中的词语将语料中对文本内容识别意义不大但出现频率很高的词、符号、标点及乱码等去掉。如这，的，和，会，为”等词几乎出现在任何一篇中文文本中，但是它们对这个文本所表达的意思几乎没有任何贡献。使用停用词列表来剔除停用词的过程很简单，就是一个查询过程：对每一个词条，看其是否位于停用词列表中，如果是则将其从词条串中删除。图2.2.1-1中文文本相似度算法预处理流程2.2.2 文本特征项选择与加权过滤掉常用副词、助词等频度高的词之后，根据剩下词的频度确定若干关键词。频度计算参照TF公式。加权是针对每个关键词对文本特征的体现效果大小不同而设置的机

3、制，权值计算参照IDF公式。2.2.3 向量空间模型VSM及余弦计算向量空间模型的基本思想是把文档简化为以特征项(关键词)的权重为分量的N维向量表示。这个模型假设词与词间不相关(这个前提造成这个模型无法进行语义相关的判断，向量空间模型的缺点在于关键词之间的线性无关的假说前提)，用向量来表示文本，从而简化了文本中的关键词之间的复杂关系，文档用十分简单的向量表示，使得模型具备了可计算性。在向量空间模型中，文本泛指各种机器可读的记录。用D(Document)表示文本，特征项(Term,用t表示)指出现在文档D中且能够代表该文档内容的基本语言单位，主要是由词或者短语构成，文本可以用特征项集表示为D(T

4、1,T2,，Tn),其中Tk是特征项，要求满足1<=k<=N。下面是向量空间模型(特指权值向量空间)的解释。假设一篇文档中有a、b、c、d四个特征项，那么这篇文档就可以表示为D(a,b,c,d)对于其它要与之比较的文本，也将遵从这个特征项顺序。对含有n个特征项的文本而言，通常会给每个特征项赋予一定的权重表示其重要程度，即D=D(T1,W1;T2,W2;，Tn,Wn)简记为D=D(W1,W2,，Wn)我们把它叫做文本D的权值向量表示，其中Wk是Tk的权重，1<=k<=N。在上面那个例子中，假设a、b、c、d的权重分别为30,20,20,10,那么该文本的向量表示为D(30

5、,20,20,10)在向量空间模型中，两个文本D1和D2之间的内容相关度Sim(D1,D2)常用向量之间夹角的余弦值表不，公式为：也_JNIX引其中，W1k、W2k分别表示文本D1和D2第K个特征项的权值，1<=k<=N。下面是利用模型进行余弦计算的示例。在自动归类中，我们可以利用类似的方法来计算待归类文档和某类目的相关度。假设文本D1的特征项为a,b,c,d,权值分别为30,20,20,10,类目C1的特征项为a,c,d,e,权值分别为40,30,20,10,则D1的向量表示为D1(30,20,20,10,0)C1的向量表示为C1(40,0,30,20,10)则根据上式计算出来的

6、文本D1与类目C1相关度是0.86o那么0.86具体是怎么推导出来的呢？在数学当中，n维向量是Vv1,v2,v3,，vn模为|v|=sqrt(v1*v1+v2*v2+vn*vn)两个向量的点积m*n=n1*m1+n2*m2+nn*mn相似度sim=(m*n)/(|m|*|n|)它的物理意义就是两个向量的空间夹角的余弦数值。下面是代入公式的过程：d1*c1=30*40+20*0+20*30+10*20+0*10=2000|d1|=sqrt(30*30+20*20+20*20+10*10+0*0)=sqrt(1800)|c1|=sqrt(40*40+0*0+30*30+20*20+10*10)=s

7、qrt(3000)sim=d1*c1/(|d1|*|c1|)=2000/sqrt(1800*3000)=0.86066完毕。2.3 算法实现开源代码：Text-Similarity-0.08简介：PERL脚本、自定义去停用词表、无语义识别功能、不适于中文。局限：仅适用于英文、无语义相似判别功能编译安装：2.4 )进入代码主目录里的/bin修改text_similarity.pl将第一行改为#!/usr/bin/perl(2)退回代码主目录，分别执行perlMakefile.PLmakemaketestmakeinstall(3)重新进入主目录/bin进行测试bi»J*J*i.hIt：

8、-WMillI*3l”H.b.tkL*l»vM'"rrtflfcnLirtfl:MapJt(it»iai.larkliUH：*1il4«iU*Hk，3，/T，«lrL««.Ihlti*Iki,，r44>T*E*C*l*MlfWl41MtltMlfwltSecallMtLM4M44M444M1M«Pt|K1L*，*，,.*.1*，*tt+*.,<.IM*n./l«tt,tl«i.larilr»l-tit*I«itritl«LUfIlfJ-f1*，-

9、vtfiM1“，“一口”、1,图2.3-1代码效果可以看见语句".thisisone与"“？?thisistwo'的匹配度是0.66；”thisisone与“二thisistwo的匹配度仍然是0.66；”thisisone与“.thisisone的匹酉三度是1；“thisisone与".(J()thisisone的匹配度是1。说明匹配的算法去停用字功能存在。2.5 缺陷这类算法没有很好地解决文本数据中存在的自然语言问题，即同义词和多义词。这样对于搜索的精度产生很大的影响。2.6 算法变体图2.5-1算法变体（红）3 .改进算法3.1 隐形语义引标隐性语义标

10、引（LSI）利用矩阵理论中的奇异值分解（SVD）”技术，将词频矩阵转化为奇异矩阵：首先从全部的文档集中生成一个文档矩阵，该矩阵的每个分量为整数值，代表某个特定的文档矩阵出现在某个特定文档中次数。然后将该矩阵进行奇异值分解，较小的奇异值被剔除。结果奇异向量以及奇异值矩阵用于将文档向量和查询向量映射到一个子空间中，在该空间中，来自文档矩阵的语义关系被保留。最后，可以通过标准化的内积计算来计算向量之间的夹角余弦相似度，进而根据计算结果比较文本间的相似度。LSI引入的唯一变化就是剔除小的奇异值，因为与小的奇异值相关联的特征实际上在计算相似度时并不相关，将它们包括进来将降低相关性判断的精确度。保留下来的

11、特征是那些对文档向量在m维空间中的位置大有影响的特征。剔除小的奇异值将文档特征空间变为文档概念空间。概念向量之问使用内积的夹角余弦相似度计算比原来基于原文本向量的相似度计算更可靠，这也是使用LSI方法的主要原因所在。LSI的缺点在于它的效果依赖于上下文信息，过于稀疏的语料不能很好的体现其潜在的语义。3.2 基于语义相似度的文本相似度算法用向量空间模型（VSM）来表示文本在该领域内普遍受到认可，是因为其在知识表示方法上的巨大优势在该模型中，文本内容被形式化为多维空间中的一个点，通过向量的形式给出，把对文本内容的处理简化为向量空间中向量的运算，使问题的复杂性大为降低。但是它很大的不足之处在于只考虑

12、了词在上下文中的统计特性，假定关键词之间线性无关，而没有考虑词本身的语义信息，因此具有一定的局限性。结合语义相似度计算后的算法流程如下所示:图3.2-1基于向量空间的语义相似度算法流程图其中，语义相关度计算获得相似度矩阵的方向有两个：基于知网HowNet或者基于WordNet。4 .其它算法涉及的相似度衡量方式4.1 基于拼音相似度的汉语模糊搜索算法不同于传统的以关键词匹配为核心的匹配技术，这里提出基于拼音相似度的编辑距离来衡量汉字字符串之间的相似度。论文提出三种编辑距离：基于汉字的编辑距离、基于拼音的编辑距离，以及基于拼音改良的编辑距离。4.2 最长公共子序列(1)将两个字符串分别以行和列组

13、成矩阵。(2)计算每个节点行列字符是否相同，如相同则为1。(3)通过找出值为1的最长对角线即可得到最长公共子串。为进一步提升该算法，我们可以将字符相同节点的值加上左上角(di-1,j-1)的值，这样即可获得最大公共子串的长度。如此一来只需以行号和最大值为条件即可截取最大子串。4.3最小编辑距离算法（1）狭义编辑距离设A、B为两个字符串，狭义的编辑距离定义为把A转换成B需要的最少删除（删除A中一个字符）、插入（在A中插入一个字符）和替换（把A中的某个字符替换成另一个字符）的次数，用ED（A,B）来表示。直观来说，两个串互相转换需要经过的步骤越多，差异越大。（2）步骤1 .对两部分文本进行处理，将所有的非文本字符替换为分