创作目的

国内对于文本的相似度计算，开源的工具是比较丰富的。

但是对于两个汉字之间的相似度计算，国内基本一片空白。国内的参考的资料少的可怜，国外相关文档也是如此。

本项目旨在抛砖引玉，实现一个基本的相似度计算工具，为汉字 NLP 贡献一点绵薄之力。

需求

有时候我们并不是需要返回两个字的相似，而是需要返回一个汉字的相似列表。

实现思路

我们可以分别计算所有的汉字之间的相似度，然后保留最大的前100个，放在字典中。

然后实时查询这个字典即可。

实现方式

bihuashu_2w.txt 中我们主要需要的是对应的 2W 常见汉字。

hanzi_similar_list.txt 用来存放汉字和相似字的映射关系。

数据初始化

public static void main(String[] args) {final String path = "D:\\code\\coin\\nlp-hanzi-similar\\src\\main\\resources\\hanzi_similar_list.txt";// 读取列表List<String> lines = FileUtil.readAllLines("D:\\code\\coin\\nlp-hanzi-similar\\src\\main\\resources\\nlp\\bihuashu_2w.txt");// 所有的单词Set<String> allWordSet = new HashSet<>();for(String line : lines) {String word = line.split(" ")[0];allWordSet.add(word);}// 循环对比for(String word : allWordSet) {List<String> list = getSimilarListData(word, allWordSet);String line = word +" " + StringUtil.join(list, "");FileUtil.append(path, line);}
}

优先级队列取前 100 个

我们通过优先级队列存储：

private static List<String> getSimilarListData(String word, Set<String> wordSet) {PriorityQueue<SimilarListDataItem> items = new PriorityQueue<>(new Comparator<SimilarListDataItem>() {@Overridepublic int compare(SimilarListDataItem o1, SimilarListDataItem o2) {// 相似度大的放在前面return -o1.getRate().compareTo(o2.getRate());}});for(String other : wordSet) {if(word.equals(other)) {continue;}// 对比double rate = HanziSimilarHelper.similar(word.charAt(0), other.charAt(0));SimilarListDataItem item = new SimilarListDataItem(other, rate);items.add(item);}final int limit = 100;List<String> wordList = new ArrayList<>();for(SimilarListDataItem item : items) {wordList.add(item.getWord());if(wordList.size() >= limit) {break;}}return wordList;
}

相似字的获取

初始化好数据之后，一切就变得非常简单：

接口定义

/*** 数据接口-相似列表* @author binbin.hou* @since 1.3.0*/
public interface IHanziSimilarListData {/*** 返回数据信息* @param word 单词* @return 结果* @since 1.3.0*/List<String> similarList(String word);}

数据获取

public class HanziSimilarListData implements IHanziSimilarListData {private static volatile Map<String, List<String>> map = Guavas.newHashMap();@Overridepublic List<String> similarList(String word) {if(MapUtil.isEmpty(map)) {initDataMap();}return map.get(word);}private void initDataMap() {if(MapUtil.isNotEmpty(map)) {return;}//DLCsynchronized (map) {if(MapUtil.isEmpty(map)) {List<String> lines = StreamUtil.readAllLines("/hanzi_similar_list.txt");for(String line : lines) {String[] words = line.split(" ");// 后面的100个相近词List<String> list = StringUtil.toCharStringList(words[1]);map.put(words[0], list);}}}}}

便利性

为了用户使用方便，我们在 HanziSimilarHelper 中添加 2 个工具类方法：

/*** 相似的列表* @param hanziOne 汉字一* @param limit 大小* @return 结果* @since 1.3.0*/
public static List<String> similarList(char hanziOne, int limit) {return HanziSimilarBs.newInstance().similarList(hanziOne, limit);
}
/*** 相似的列表* @param hanziOne 汉字一* @return 结果* @since 1.3.0*/
public static List<String> similarList(char hanziOne) {return similarList(hanziOne, 10);
}

测试效果

我们使用看一下效果：

我们来看一下【爱】的形近字。

List<String> list = HanziSimilarHelper.similarList('爱');
Assert.assertEquals("[爰, 爯, 受, 爭, 妥, 憂, 李, 爳, 叐, 雙]", list.toString());

开源地址

为了便于大家使用学习，项目已开源。

https://github.com/houbb/nlp-hanzi-similar

小结

一个字的形近字可以做很多有趣的事情，这个要看大家的想象力。

实现方式也不难，最核心的还是相似度的计算。

我是老马，期待与你的下次重逢。

NLP 开源形近字算法之相似字列表（番外篇）相关推荐

NLP 开源形近字算法补完计划（完结篇）
前言所有的故事都有开始,也终将结束. 本文将作为 NLP 汉字相似度的完结篇,为该系列画上一个句号. 起-NLP 中文形近字相似度计算思路承-中文形近字相似度算法实现,为汉字 NLP 尽一点绵薄之 ...
NLP 中文形近字相似度算法开源实现
项目简介 nlp-hanzi-similar 为汉字提供相似性的计算. 创作目的有一个小伙伴说自己在做语言认知科学方向的课题研究,看了我以前写的 NLP 中文形近字相似度计算思路就想问下有没有源码 ...
程序猿成长之路番外篇之前后端加解密（rsa+aes混合加解密算法)
今年国庆前夕接手一个外部项目,说是要保障接口数据安全,数据安全相对容易些,接口安全嘛emmmmm, 这个要考虑加解密算法.白名单之类的问题了.于是打算今天搞一期接口安全为题的成长之路番外篇. 为什么要 ...
OpenCV-Python实战（番外篇）——利用 SVM 算法识别手写数字
OpenCV-Python实战(番外篇)--利用 SVM 算法识别手写数字前言使用 SVM 进行手写数字识别参数 C 和 γ 对识别手写数字精确度的影响完整代码相关链接前言支持向量机 ( ...
OpenCV-Python实战（番外篇）——利用 KNN 算法识别手写数字
OpenCV-Python实战(番外篇)--利用 KNN 算法识别手写数字前言手写数字数据集 MNIST 介绍基准模型--利用 KNN 算法识别手写数字改进模型1--参数 K 对识别手写数字精 ...
白话机器学习算法理论+实战番外篇之LightGBM
1. 写在前面如果想从事数据挖掘或者机器学习的工作,掌握常用的机器学习算法是非常有必要的,在这简单的先捋一捋, 常见的机器学习算法: 监督学习算法:逻辑回归,线性回归,决策树,朴素贝叶斯,K近邻,支 ...
【番外篇】2W字诚意满满的新活：常见接口测试69道面试题，附带答案
最近发现面试题热度挺好的,不过大家博客都只有面试题,从来都不带答案,顺手就码了点收集到的博客问题的答案共69道,2W字,耗时两天(疯狂暗示)欢迎催更吹水,来一个人就是一份催更动力点击并输入暗号:C ...
漫谈算法（番外篇）符号标记以及基本数学公式
Keywords:Big O: Little O:Big Omega:Little Omega:Theta:Mathematical Formula. 说到算法,大家最熟悉的恐怕就是这个大欧标记了,即 ...
番外篇(1)模块次序表、代数环及其检测算法
文章目录模块次序表直通模块与端点模块代数环简介模块次序表需要注意的其它细节缺少一次更新的加法器直通模块交叉1:DFS的问题直通模块交叉2:BFS的问题重排算法与代数环检测其它容易出错 ...

NLP 开源形近字算法之相似字列表（番外篇）