java算法（1）---余弦相似度计算字符串相似率

功能需求：最近在做通过爬虫技术去爬取各大相关网站的新闻，储存到公司数据中。这里面就有一个技术点，就是如何保证你已爬取的新闻，再有相似的新闻

或者一样的新闻，那就不存储到数据库中。（因为有网站会去引用其它网站新闻，或者把其它网站新闻拿过来稍微改下内容就发布到自己网站中）。

解析方案：最终就是采用余弦相似度算法，来计算两个新闻正文的相似度。现在自己写一篇博客总结下。

一、理论知识

对于余弦相似度算法的理论讲的比较清晰，我们也是按照这个方式来计算相似度的。

1、说重点

我这边先把计算两个字符串的相似度理论知识再梳理一遍。

（1）首先是要明白通过向量来计算相识度公式。

（2）明白：余弦值越接近1，也就是两个向量越相似，这就叫"余弦相似性"，
余弦值越接近0，也就是两个向量越不相似，也就是这两个字符串越不相似。

2、案例理论知识

举一个例子来说明，用上述理论计算文本的相似性。为了简单起见，先从句子着手。

句子A：这只皮靴号码大了。那只号码合适。

句子B：这只皮靴号码不小，那只更合适。

怎样计算上面两句话的相似程度？

基本思路是：如果这两句话的用词越相似，它们的内容就应该越相似。因此，可以从词频入手，计算它们的相似程度。

第一步，分词。

句子A：这只/皮靴/号码/大了。那只/号码/合适。

句子B：这只/皮靴/号码/不/小，那只/更/合适。

第二步，计算词频。（也就是每个词语出现的频率）

句子A：这只1，皮靴1，号码2，大了1。那只1，合适1，不0，小0，更0

句子B：这只1，皮靴1，号码1，大了0。那只1，合适1，不1，小1，更1

第三步，写出词频向量。

　　句子A：(1，1，2，1，1，1，0，0，0)

　　句子B：(1，1，1，0，1，1，1，1，1)

第四步：运用上面的公式：计算如下：

计算结果中夹角的余弦值为0.81非常接近于1，所以，上面的句子A和句子B是基本相似的

二、实际开发案例

我把我们实际开发过程中字符串相似率计算代码分享出来。

1、pom.xml

展示一些主要jar包

       <!--结合操作工具包--><dependency><groupId>org.apache.commons</groupId><artifactId>commons-lang3</artifactId><version>3.5</version></dependency><!--bean实体注解工具包--><dependency><groupId>org.projectlombok</groupId><artifactId>lombok</artifactId></dependency><!--汉语言包，主要用于分词--><dependency><groupId>com.hankcs</groupId><artifactId>hanlp</artifactId><version>portable-1.6.5</version></dependency>

2、main方法

/*** 计算两个字符串的相识度*/
public class Similarity {public static final  String content1="今天小小和爸爸一起去摘草莓，小小说今天的草莓特别的酸，而且特别的小，关键价格还贵";public static final  String content2="今天小小和妈妈一起去草原里采草莓，今天的草莓味道特别好，而且价格还挺实惠的";public static void main(String[] args) {double  score=CosineSimilarity.getSimilarity(content1,content2);System.out.println("相似度："+score);score=CosineSimilarity.getSimilarity(content1,content1);System.out.println("相似度："+score);}}

先看运行结果：

通过运行结果得出：

（1）第一次比较相似率为：0.772853 （说明这两条句子还是挺相似的），第二次比较相似率为：1.0 （说明一模一样）。

（2）我们可以看到这个句子的分词效果，后面是词性。

3、Tokenizer（分词工具类）

import com.hankcs.hanlp.HanLP;
import com.hankcs.hanlp.seg.common.Term;
import java.util.List;
import java.util.stream.Collectors;/*** 中文分词工具类*/
public class Tokenizer {/*** 分词*/public static List<Word> segment(String sentence) {//1、 采用HanLP中文自然语言处理中标准分词进行分词List<Term> termList = HanLP.segment(sentence);//上面控制台打印信息就是这里输出的System.out.println(termList.toString());//2、重新封装到Word对象中（term.word代表分词后的词语，term.nature代表改词的词性）return termList.stream().map(term -> new Word(term.word, term.nature.toString())).collect(Collectors.toList());}
}

4、Word（封装分词结果）

这里面真正用到的其实就词名和权重。

import lombok.Data;import java.util.Objects;/*** 封装分词结果*/
@Data
public class Word implements Comparable {// 词名private String name;// 词性private String pos;// 权重，用于词向量分析private Float weight;public Word(String name, String pos) {this.name = name;this.pos = pos;}@Overridepublic int hashCode() {return Objects.hashCode(this.name);}@Overridepublic boolean equals(Object obj) {if (obj == null) {return false;}if (getClass() != obj.getClass()) {return false;}final Word other = (Word) obj;return Objects.equals(this.name, other.name);}@Overridepublic String toString() {StringBuilder str = new StringBuilder();if (name != null) {str.append(name);}if (pos != null) {str.append("/").append(pos);}return str.toString();}@Overridepublic int compareTo(Object o) {if (this == o) {return 0;}if (this.name == null) {return -1;}if (o == null) {return 1;}if (!(o instanceof Word)) {return 1;}String t = ((Word) o).getName();if (t == null) {return 1;}return this.name.compareTo(t);}
}

5、CosineSimilarity（相似率具体实现工具类）

import com.jincou.algorithm.tokenizer.Tokenizer;
import com.jincou.algorithm.tokenizer.Word;import org.apache.commons.lang3.StringUtils;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.util.CollectionUtils;
import java.math.BigDecimal;
import java.util.*;
import java.util.concurrent.ConcurrentHashMap;
import java.util.concurrent.atomic.AtomicInteger;/*** 判定方式：余弦相似度，通过计算两个向量的夹角余弦值来评估他们的相似度 余弦夹角原理： 向量a=(x1,y1),向量b=(x2,y2) similarity=a.b/|a|*|b| a.b=x1x2+y1y2* |a|=根号[(x1)^2+(y1)^2],|b|=根号[(x2)^2+(y2)^2]*/
public class CosineSimilarity {protected static final Logger LOGGER = LoggerFactory.getLogger(CosineSimilarity.class);/*** 1、计算两个字符串的相似度*/public static double getSimilarity(String text1, String text2) {//如果wei空，或者字符长度为0，则代表完全相同if (StringUtils.isBlank(text1) && StringUtils.isBlank(text2)) {return 1.0;}//如果一个为0或者空，一个不为，那说明完全不相似if (StringUtils.isBlank(text1) || StringUtils.isBlank(text2)) {return 0.0;}//这个代表如果两个字符串相等那当然返回1了（这个我为了让它也分词计算一下，所以注释掉了）
//        if (text1.equalsIgnoreCase(text2)) {
//            return 1.0;
//        }//第一步：进行分词List<Word> words1 = Tokenizer.segment(text1);List<Word> words2 = Tokenizer.segment(text2);return getSimilarity(words1, words2);}/*** 2、对于计算出的相似度保留小数点后六位*/public static double getSimilarity(List<Word> words1, List<Word> words2) {double score = getSimilarityImpl(words1, words2);//(int) (score * 1000000 + 0.5)其实代表保留小数点后六位 ,因为1034234.213强制转换不就是1034234。对于强制转换添加0.5就等于四舍五入score = (int) (score * 1000000 + 0.5) / (double) 1000000;return score;}/*** 文本相似度计算 判定方式：余弦相似度，通过计算两个向量的夹角余弦值来评估他们的相似度 余弦夹角原理： 向量a=(x1,y1),向量b=(x2,y2) similarity=a.b/|a|*|b| a.b=x1x2+y1y2* |a|=根号[(x1)^2+(y1)^2],|b|=根号[(x2)^2+(y2)^2]*/public static double getSimilarityImpl(List<Word> words1, List<Word> words2) {// 向每一个Word对象的属性都注入weight（权重）属性值taggingWeightByFrequency(words1, words2);//第二步：计算词频//通过上一步让每个Word对象都有权重值，那么在封装到map中（key是词，value是该词出现的次数（即权重））Map<String, Float> weightMap1 = getFastSearchMap(words1);Map<String, Float> weightMap2 = getFastSearchMap(words2);//将所有词都装入set容器中Set<Word> words = new HashSet<>();words.addAll(words1);words.addAll(words2);AtomicFloat ab = new AtomicFloat();// a.bAtomicFloat aa = new AtomicFloat();// |a|的平方AtomicFloat bb = new AtomicFloat();// |b|的平方// 第三步：写出词频向量，后进行计算words.parallelStream().forEach(word -> {//看同一词在a、b两个集合出现的此次Float x1 = weightMap1.get(word.getName());Float x2 = weightMap2.get(word.getName());if (x1 != null && x2 != null) {//x1x2float oneOfTheDimension = x1 * x2;//+ab.addAndGet(oneOfTheDimension);}if (x1 != null) {//(x1)^2float oneOfTheDimension = x1 * x1;//+aa.addAndGet(oneOfTheDimension);}if (x2 != null) {//(x2)^2float oneOfTheDimension = x2 * x2;//+bb.addAndGet(oneOfTheDimension);}});//|a| 对aa开方double aaa = Math.sqrt(aa.doubleValue());//|b| 对bb开方double bbb = Math.sqrt(bb.doubleValue());//使用BigDecimal保证精确计算浮点数//double aabb = aaa * bbb;BigDecimal aabb = BigDecimal.valueOf(aaa).multiply(BigDecimal.valueOf(bbb));//similarity=a.b/|a|*|b|//divide参数说明：aabb被除数,9表示小数点后保留9位，最后一个表示用标准的四舍五入法double cos = BigDecimal.valueOf(ab.get()).divide(aabb, 9, BigDecimal.ROUND_HALF_UP).doubleValue();return cos;}/*** 向每一个Word对象的属性都注入weight（权重）属性值*/protected static void taggingWeightByFrequency(List<Word> words1, List<Word> words2) {if (words1.get(0).getWeight() != null && words2.get(0).getWeight() != null) {return;}//词频统计（key是词，value是该词在这段句子中出现的次数）Map<String, AtomicInteger> frequency1 = getFrequency(words1);Map<String, AtomicInteger> frequency2 = getFrequency(words2);//如果是DEBUG模式输出词频统计信息
//        if (LOGGER.isDebugEnabled()) {
//            LOGGER.debug("词频统计1：\n{}", getWordsFrequencyString(frequency1));
//            LOGGER.debug("词频统计2：\n{}", getWordsFrequencyString(frequency2));
//        }// 标注权重（该词出现的次数）words1.parallelStream().forEach(word -> word.setWeight(frequency1.get(word.getName()).floatValue()));words2.parallelStream().forEach(word -> word.setWeight(frequency2.get(word.getName()).floatValue()));}/*** 统计词频* @return 词频统计图*/private static Map<String, AtomicInteger> getFrequency(List<Word> words) {Map<String, AtomicInteger> freq = new HashMap<>();//这步很帅哦words.forEach(i -> freq.computeIfAbsent(i.getName(), k -> new AtomicInteger()).incrementAndGet());return freq;}/*** 输出：词频统计信息*/private static String getWordsFrequencyString(Map<String, AtomicInteger> frequency) {StringBuilder str = new StringBuilder();if (frequency != null && !frequency.isEmpty()) {AtomicInteger integer = new AtomicInteger();frequency.entrySet().stream().sorted((a, b) -> b.getValue().get() - a.getValue().get()).forEach(i -> str.append("\t").append(integer.incrementAndGet()).append("、").append(i.getKey()).append("=").append(i.getValue()).append("\n"));}str.setLength(str.length() - 1);return str.toString();}/*** 构造权重快速搜索容器*/protected static Map<String, Float> getFastSearchMap(List<Word> words) {if (CollectionUtils.isEmpty(words)) {return Collections.emptyMap();}Map<String, Float> weightMap = new ConcurrentHashMap<>(words.size());words.parallelStream().forEach(i -> {if (i.getWeight() != null) {weightMap.put(i.getName(), i.getWeight());} else {LOGGER.error("no word weight info:" + i.getName());}});return weightMap;}}

这个具体实现代码因为思维很紧密所以有些地方写的比较绕，同时还手写了AtomicFloat原子类。

6、AtomicFloat原子类

import java.util.concurrent.atomic.AtomicInteger;/*** jdk没有AtomicFloat，写一个*/
public class AtomicFloat extends Number {private AtomicInteger bits;public AtomicFloat() {this(0f);}public AtomicFloat(float initialValue) {bits = new AtomicInteger(Float.floatToIntBits(initialValue));}//叠加public final float addAndGet(float delta) {float expect;float update;do {expect = get();update = expect + delta;} while (!this.compareAndSet(expect, update));return update;}public final float getAndAdd(float delta) {float expect;float update;do {expect = get();update = expect + delta;} while (!this.compareAndSet(expect, update));return expect;}public final float getAndDecrement() {return getAndAdd(-1);}public final float decrementAndGet() {return addAndGet(-1);}public final float getAndIncrement() {return getAndAdd(1);}public final float incrementAndGet() {return addAndGet(1);}public final float getAndSet(float newValue) {float expect;do {expect = get();} while (!this.compareAndSet(expect, newValue));return expect;}public final boolean compareAndSet(float expect, float update) {return bits.compareAndSet(Float.floatToIntBits(expect), Float.floatToIntBits(update));}public final void set(float newValue) {bits.set(Float.floatToIntBits(newValue));}public final float get() {return Float.intBitsToFloat(bits.get());}@Overridepublic float floatValue() {return get();}@Overridepublic double doubleValue() {return (double) floatValue();}@Overridepublic int intValue() {return (int) get();}@Overridepublic long longValue() {return (long) get();}@Overridepublic String toString() {return Float.toString(get());}
}

7、总结

把大致思路再捋一下：

（1）先分词： 分词当然要按一定规则，不然随便分那也没有意义，那这里通过采用HanLP中文自然语言处理中标准分词进行分词。

（2）统计词频： 就统计上面词出现的次数。

（3）通过每一个词出现的次数，变成一个向量，通过向量公式计算相似率。

我只是偶尔安静下来，对过去的种种思忖一番。那些曾经的旧时光里即便有过天真愚钝，也不值得谴责。毕竟，往后的日子，还很长。不断鼓励自己，

天一亮，又是崭新的起点，又是未知的征程（上校3）