词语相似度计算

词义相似度计算在很多领域中都有广泛的应用，例如信息检索、信息抽取、文本分类、词义排歧、基于实例的机器翻译等等。国内目前主要是使用知网和同义词词林来进行词语的相似度计算。

本文主要是根据《基于同义词词林的词语相似度计算方法—田久乐》论文中所提出的分层算法实现相似度计算，程序采用Java语言编写。

同义词词林扩展版

《同义词词林》是梅家驹等人于1983年编纂而成，这本词典中不仅包括了一个词语的同义词，也包含了一定数量的同类词，即广义的相关词。《同义词词林扩展版》是由哈尔滨工业大学信息检索实验室所重新修订所得。该版收录词语近7万条，全部按意义进行编排，是一部同义类词典。

同义词词林按照树状的层次结构把所有收录的词条组织到一起，把词汇分成大、中、小三类，大类有12个，中类有97个，小类有1400个。每个小类里都有很多的词，这些词又根据词义的远近和相关性分成了若干个词群(段落)。每个段落中的词语又进一步分成了若干个行，同一行的词语要么词义相同，要么词义有很强的相关性。

《同义词词林》提供了5层编码，第1级用大写英文字母表示；第2级用小写英文字母表示；第3级用二位十进制整数表示；第4级用大写英文字母表示；第5级用二位十进制整数表示。例如：

Cb30A01= 这里 这边 此地 此间 此处 此

Cb30A02# 该地 该镇 该乡 该站 该区 该市 该村

Cb30A03@ 这方

分层及编码表如下所示

由于第5级有的行是同义词，有的行是相关词，有的行只有一个词，分类结果需要特别说明，可以分出具体的3种情况。使用特殊符号对这3种情况进行区别对待，所以第8位的标记有3种，分别是“=”代表“相等”、“同义”；“#”代表“不等”、“同类”，属于相关词语；“@”代表“自我封闭”、“独立”，它在词典中既没有同义词，也没有相关词。

在对文本内容进行相似度计算中，采用该论文中给出的计算公式，两个义项的相似度用Sim表示

若两个义项不在同一棵树上，Sim(A,B)=f

若两个义项在同一棵树上：

若在第2层分支，系数为a Sim(A,B)=1*a*cos*(n*π/180)((n-k+1)/n)

若在第3层分支，系数为b Sim(A,B)=1*1*b*cos*(n*π/180)((n-k+1)/n)

若在第4层分支，系数为c Sim(A,B)=1*1*1*c×cos*(n*π/180)((n-k+1)/n)

若在第5层分支，系数为d Sim(A,B)=1*1*1*1*d*cos*(n*π/180)((n-k+1)/n)

当编码相同，而只有末尾是“#”时，那么认为其相似度为e。

例如Ad02B04# 非洲人 亚洲人 则其相似度为e。

其中n是分支层的节点分支总数，k是两个分支间的距离。

如：人 Aa01A01= 和 少儿 Ab04B01=

以A开头的子分支只有14个，分别是Aa*——An*，而不是以A开头的所有结点的个数；在第2层，人的编码是a，少儿的编码是b所以k=1。

该文献中给出的参数值为a=0.65，b=0.8，c=0.9，d=0.96，e=0.5，f=0.1。

如：人 Aa01A01= 和 少儿 Ab04B01=由于A开头的分支个数为14个，所以n=14；在第2层，人的编码是a，少儿的编码是b所以k=1。

Java代码实现

package edu.shu.similarity.cilin;

import com.google.common.base.Preconditions;

import lombok.extern.log4j.Log4j2;

import org.apache.commons.io.IOUtils;

import org.apache.commons.lang3.StringUtils;

import org.junit.Test;

import java.io.IOException;

import java.io.InputStream;

import java.util.*;

import static java.lang.Math.PI;

import static java.lang.Math.cos;

/**

*

* Created with IntelliJ IDEA. 2015/8/2 21:54

*

*

* ClassName:WordSimilarity

*

*

* Description:

* "=" 代表 相等 同义

* "#" 代表 不等 同类 属于相关词语

* "@" 代表 自我封闭 独立 它在词典中既没有同义词, 也没有相关词

*

*

* @author Wang Xu

* @version V1.0.0

* @since V1.0.0

*/

@Log4j2

//注意使用Log4j2的注解，那么在pom中必须引入2.x版本的log4j，如果使用Log4j注解，pom中引入1.x版本的log4j

//相应的配置文件也要一致，2.x版本配置文件为log4j2.xml，1.x版本配置文件为log4j.xml

public class WordSimilarity{

/**

* when we use Lombok's Annotation, such as @Log4j

*

* @Log4j

* public class LogExample {

* }

*

* will generate:

* public class LogExample {

* private static final org.apache.logging.log4j.Logger log = org.apache.logging.log4j.Logger.getLogger(LogExample.class);

* }

*

*/

//定义一些常数先

private final double a = 0.65;

private final double b = 0.8;

private final double c = 0.9;

private final double d = 0.96;

private final double e = 0.5;

private final double f = 0.1;

private final double degrees = 180;

//存放的是以词为key，以该词的编码为values的List集合，其中一个词可能会有多个编码

private static Map> wordsEncode = new HashMap>();

//存放的是以编码为key，以该编码多对应的词为values的List集合，其中一个编码可能会有多个词

private static Map> encodeWords = new HashMap>();

/**

* 读取同义词词林并将其注入wordsEncode和encodeWords

*/

private static void readCiLin(){

InputStream input = WordSimilarity.class.getClassLoader().getResourceAsStream("cilin.txt");

List contents = null;

try {

contents = IOUtils.readLines(input);

} catch (IOException e) {

e.printStackTrace();

log.error(e.getMessage());

}

for (String content : contents) {

content = Preconditions.checkNotNull(content);

String[] strsArr = content.split(" ");

String[] strs = Preconditions.checkNotNull(strsArr);

String encode = null;

int length = strs.length;

if (length > 1) {

encode = strs[0];//获取编码

}

ArrayList encodeWords_values = new ArrayList();

for (int i = 1; i < length; i++) {

encodeWords_values.add(strs[i]);

}

encodeWords.put(encode, encodeWords_values);//以编码为key，其后所有值为value

for (int i = 1; i < length; i++) {

String key = strs[i];

if (wordsEncode.containsKey(strs[i])) {

ArrayList values = wordsEncode.get(key);

values.add(encode);

//重新放置回去

wordsEncode.put(key, values);//以某个value为key，其可能的所有编码为value

} else {

ArrayList temp = new ArrayList();

temp.add(encode);

wordsEncode.put(key, temp);

}

}

}

}

/**

* 对外暴露的接口，返回两个词的相似度的计算结果

*

* @param word1

* @param word2

* @return 相似度值

*/

public double getSimilarity(String word1, String word2){

//如果比较词没有出现在同义词词林中，则相似度为0

if (!wordsEncode.containsKey(word1) || !wordsEncode.containsKey(word2)) {

return 0;

}

//获取第一个词的编码

ArrayList encode1 = getEncode(word1);

//获取第二个词的编码

ArrayList encode2 = getEncode(word2);

double maxValue = 0;//最终的计算结果值，取所有相似度里面结果最大的那个

for (String e1 : encode1) {

for (String e2 : encode2) {

log.info(e1);

log.info(e2);

String commonStr = getCommonStr(e1, e2);

int length = StringUtils.length(commonStr);

double k = getK(e1, e2);

double n = getN(commonStr);

log.info("k--" + k);

log.info("n--" + n);

log.info("length--" + length);

double res = 0;

//如果有一个以“@”那么表示自我封闭，肯定不在一棵树上，直接返回f

if (e1.endsWith("@") || e2.endsWith("@") || 0 == length) {

if (f > maxValue) {

maxValue = f;

}

continue;

}

if (1 == length) {

//说明在第二层上计算

res = a * cos(n * PI / degrees) * ((n - k + 1) / n);

} else if (2 == length) {

//说明在第三层上计算

res = b * cos(n * PI / degrees) * ((n - k + 1) / n);

} else if (4 == length) {

//说明在第四层上计算

res = c * cos(n * PI / degrees) * ((n - k + 1) / n);

} else if (5 == length) {

//说明在第五层上计算

res = d * cos(n * PI / degrees) * ((n - k + 1) / n);

} else {

//注意不存在前面七个字符相同，而结尾不同的情况，所以这个分支一定是8个字符都相同，那么只需比较结尾即可

if (e1.endsWith("=") && e2.endsWith("=")) {

//说明两个完全相同

res = 1;

} else if (e1.endsWith("#") && e2.endsWith("#")) {

//只有结尾不同，说明结尾是“#”

res = e;

}

}

log.info("res :" + res);

if (res > maxValue) {

maxValue = res;

}

}

}

return maxValue;

}

/**

* 判断一个词在同义词词林中是否是自我封闭的，是否是独立的

*

* @param source

* @return

*/

private boolean isIndependent(String source){

Iterator iter = wordsEncode.keySet().iterator();

while (iter.hasNext()) {

String key = iter.next();

if (StringUtils.equalsIgnoreCase(key, source)) {

ArrayList values = wordsEncode.get(key);

for (String value : values) {

if (value.endsWith("@")) {

return true;

}

}

}

}

return false;

}

/**

* 根据word的内容，返回其对应的编码

*

* @param word

* @return

*/

public ArrayList getEncode(String word){

return wordsEncode.get(word);

}

/**

* 计算N的值，N表示所在分支层分支数，如：人 Aa01A01= 和 少儿 Ab04B01=，以A开头的子分支只有14个

* 这一点在论文中说的非常不清晰，所以以国人的文章进行编码真是痛苦

*

* @param encodeHead 输入两个字符串的公共开头

* @return 经过计算之后得到N的值

*/

public int getN(String encodeHead){

int length = StringUtils.length(encodeHead);

switch (length) {

case 1:

return getCount(encodeHead, 2);

case 2:

return getCount(encodeHead, 4);

case 4:

return getCount(encodeHead, 5);

case 5:

return getCount(encodeHead, 7);

default:

return 0;

}

}

public int getCount(String encodeHead, int end){

Set res = new HashSet();

Iterator iter = encodeWords.keySet().iterator();

while (iter.hasNext()) {

String curr = iter.next();

if (curr.startsWith(encodeHead)) {

String temp = curr.substring(0, end);

if (res.contains(temp)) {

continue;

} else {

res.add(temp);

}

}

}

return res.size();

}

/**

* @param encode1 第一个编码

* @param encode2 第二个编码

* @return 这两个编码对应的分支间的距离，用k表示

*/

public int getK(String encode1, String encode2){

String temp1 = encode1.substring(0, 1);

String temp2 = encode2.substring(0, 1);

if (StringUtils.equalsIgnoreCase(temp1, temp2)) {

temp1 = encode1.substring(1, 2);

temp2 = encode2.substring(1, 2);

} else {

return Math.abs(temp1.charAt(0) - temp2.charAt(0));

}

if (StringUtils.equalsIgnoreCase(temp1, temp2)) {

temp1 = encode1.substring(2, 4);

temp2 = encode2.substring(2, 4);

} else {

return Math.abs(temp1.charAt(0) - temp2.charAt(0));

}

if (StringUtils.equalsIgnoreCase(temp1, temp2)) {

temp1 = encode1.substring(4, 5);

temp2 = encode2.substring(4, 5);

} else {

return Math.abs(Integer.valueOf(temp1) - Integer.valueOf(temp2));

}

if (StringUtils.equalsIgnoreCase(temp1, temp2)) {

temp1 = encode1.substring(5, 7);

temp2 = encode2.substring(5, 7);

} else {

return Math.abs(temp1.charAt(0) - temp2.charAt(0));

}

return Math.abs(Integer.valueOf(temp1) - Integer.valueOf(temp2));

}

/**

* 获取编码的公共部分字符串

*

* @param encode1

* @param encode2

* @return

*/

public String getCommonStr(String encode1, String encode2){

int length = StringUtils.length(encode1);

StringBuilder sb = new StringBuilder();

for (int i = 0; i < length; i++) {

if (encode1.charAt(i) == encode2.charAt(i)) {

sb.append(encode1.charAt(i));

} else {

break;

}

}

int sbLen = StringUtils.length(sb);

//注意第三层和第五层均有两个字符，所以长度不可能出现3和6的情况

if (sbLen == 3 || sbLen == 6) {

sb.deleteCharAt(sbLen - 1);

}

return String.valueOf(sb);

}

@Test

public void testGetN(){

readCiLin();

int a = getN("A");

System.out.println(a);

}

@Test

public void testGetK(){

int k = getK("Aa01A01=", "Aa01A01=");

System.out.println(k);

}

@Test

public void testGetCommonStr(){

String commonStr = getCommonStr("Aa01A01=", "Aa01A03=");

System.out.println(commonStr);

}

@Test

public void testGetSimilarity(){

readCiLin();

double similarity = getSimilarity("人民", "国民");

System.out.println("人民--" + "国民:" + similarity);

similarity = getSimilarity("人民", "群众");

System.out.println("人民--" + "群众:" + similarity);

similarity = getSimilarity("人民", "党群");

System.out.println("人民--" + "党群:" + similarity);

similarity = getSimilarity("人民", "良民");

System.out.println("人民--" + "良民:" + similarity);

similarity = getSimilarity("人民", "同志");

System.out.println("人民--" + "同志:" + similarity);

similarity = getSimilarity("人民", "成年人");

System.out.println("人民--" + "成年人:" + similarity);

similarity = getSimilarity("人民", "市民");

System.out.println("人民--" + "市民:" + similarity);

similarity = getSimilarity("人民", "亲属");

System.out.println("人民--" + "亲属:" + similarity);

similarity = getSimilarity("人民", "志愿者");

System.out.println("人民--" + "志愿者:" + similarity);

similarity = getSimilarity("人民", "先锋");

System.out.println("人民--" + "先锋:" + similarity);

}

@Test

public void testGetSimilarity2(){

readCiLin();

double similarity = getSimilarity("非洲人", "亚洲人");

System.out.println(similarity);

double similarity1 = getSimilarity("骄傲", "仔细");

System.out.println(similarity1);

}

}

说明，词语相似度是个数值，一般取值范围在[0，1]之间，在原论文中，使用cos函数计算主要是将值归一化到[0，1]之间，可以将cos函数看作是一个调节因子。

testGetSimilarity的测试结果如下所示：

人民--国民:1.0

人民--群众:0.9576614882494312

人民--党群:0.8978076452338418

人民--良民:0.7182461161870735

人民--同志:0.6630145969121822

人民--成年人:0.6306922220793977

人民--市民:0.5405933332109123

人民--亲属:0.36039555547394153

人民--志愿者:0.22524722217121346

人民--先锋:0.18019777773697077

本文使用的是同义词词林的扩展版，而原论文使用的是同义词词林，由于两者存在微小差距，所以本文计算结果与论文中的计算结果存在稍许误差，如果算法没错，这是可以理解的！

以上仅为个人理解，如若发现错误，欢迎大家积极留言指正！

目前整个项目已经推送到GitHub上了，地址点我。注意在文章末尾所注的参考资料中的链接里面的计算方法在求n的时候存在错误，代码我不确定是否是其自己实现，望莫要受其误导！