版权声明：本文为博主原创文章,地址:http://blog.csdn.net/napoay,转载请留言。

总结Jackcard相似度和余弦相似度。

一、集合的Jackcard相似度

1.1Jackcard相似度

Jaccard相似指数用来度量两个集合之间的相似性，它被定义为两个集合交集的元素个数除以并集的元素个数。

数学公式描述:

这个看似简单的算法有很大的用处，比如：

1. 抄袭文档
   高明的抄袭者为了掩盖自己抄袭的事实，会选择性的抄袭文档中的一些段落，或者对词语或原始文本中的句序进行改变。jackcard相似度计算适合从字面上进行计算，如果是更高级的抄袭改变了语义jackcard相似度计算就无能为力了
2. 镜像页面
   多个主机上建立镜像以共享加载内容，同一份内容有多个副本，这种情况实现jackcard相似度计算十分有效。
3. 同源新闻稿
   一个记者撰写了一份新闻稿件投稿多家媒体，稿件经过少量修改后发布，使用这些同源新闻稿可以用jackcard相似度算法来检测出来

1.2 Java实现

import java.util.HashSet;
import java.util.Map;
import java.util.Set;/*** Created by bee on 17/4/12.*/
public class JackcardSim {public static double calJackcardSim(Set<String> s1, Set<String> s2) {Set<String> all = new HashSet<>();all.addAll(s1);all.addAll(s2);System.out.println(all);Set<String> both = new HashSet<>();both.addAll(s1);both.retainAll(s2);System.out.println(both);return (double) both.size() / all.size();}public static void main(String[] args) {Set<String> s1 = new HashSet<String>();s1.add("互联网");s1.add("金融");s1.add("房产");s1.add("融资");s1.add("科技");Set<String> s2 = new HashSet<String>();s2.add("互联网");s2.add("开源");s2.add("人工智能");s2.add("软件");s2.add("科技");System.out.println(calJackcardSim(s1, s2));}
}

运行结果

[科技, 房产, 软件, 融资, 人工智能, 互联网, 开源, 金融]
[科技, 互联网]
0.25

二、向量空间模型

2.1简介

向量空间模型是一个把文本文件表示为标识符（比如索引）向量的代数模型。它应用于信息过滤、信息检索、索引以及相关排序。

文档和查询都用向量来表示。

2.2、java实现

import java.util.HashMap;
import java.util.HashSet;
import java.util.Map;
import java.util.Set;/*** Created by bee on 17/4/10.*/
public class Vsm {public static double calCosSim(Map<String, Double> v1, Map<String, Double>v2) {double sclar = 0.0,norm1=0.0,norm2=0.0,similarity=0.0;Set<String> v1Keys = v1.keySet();Set<String> v2Keys = v2.keySet();Set<String> both= new HashSet<>();both.addAll(v1Keys);both.retainAll(v2Keys);System.out.println(both);for (String str1 : both) {sclar += v1.get(str1) * v2.get(str1);}for (String str1:v1.keySet()){norm1+=Math.pow(v1.get(str1),2);}for (String str2:v2.keySet()){norm2+=Math.pow(v2.get(str2),2);}similarity=sclar/Math.sqrt(norm1*norm2);System.out.println("sclar:"+sclar);System.out.println("norm1:"+norm1);System.out.println("norm2:"+norm2);System.out.println("similarity:"+similarity);return similarity;}public static void main(String[] args) {Map<String, Double> m1 = new HashMap<>();m1.put("Hello", 1.0);m1.put("css", 2.0);m1.put("Lucene", 3.0);Map<String, Double> m2 = new HashMap<>();m2.put("Hello", 1.0);m2.put("Word", 2.0);m2.put("Hadoop", 3.0);m2.put("java", 4.0);m2.put("html", 1.0);m2.put("css", 2.0);calCosSim(m1, m2);}
}

运行结果:

[css, Hello]
sclar:5.0
norm1:14.0
norm2:35.0
similarity:0.22587697572631282

三、参考资料

https://zh.wikipedia.org/wiki/%E5%90%91%E9%87%8F%E7%A9%BA%E9%96%93%E6%A8%A1%E5%9E%8B
http://baike.baidu.com/link?url=enqtEW1bEXe0iZvil1MBk8m2upnfmN118p4cgjNpYdoJYe2l-FC5_s_yYQAq_3GUtiQW0jgwfMMBBxM0U16JiRKeFToPQ0fj058H7P8mHlZ5RV7rERN9Je7jdrYdA3gI7SRMUNTDnNyGoGgBJZN7sq