前言
词语的相似性的计算方法有很多，比如字面相似度计算方法、基于语义词典的计算方法、基于统计的相似度（向量空间模型）计算方法和基于神经网络的相似度计算方法。
本篇文章讲讲基于词林的语义相似性。
词林
《同义词词林》是上世纪80年代出版的对汉语词汇进行语义分类的义类词典，共收录64223条词目。随后发展，哈尔滨工业大学信息检索实验室对其进行修正完善，《哈工大社会计算与信息检索研究中心同义词词林扩展版》。
格式
举个例子一般的格式如下，一共包含了五个级别和一个标记位，看下面第一行从左到右，A为一级、a为二级、01为三级、A为四级、02为五级、=为标记位。标记位主要是用于区分常规同义词、相关词和只有词语本身，分别用= # @三个符号表示。其中 = 表示常规同义词，# 表示相关词，@ 则表示独立性质，既没有同义词也没有相关词。
Aa01A02= 人类 生人 全人类
Aa01B03# 良民 顺民
Aa01D01@ 角色
Aa02A08= 奴 妾 妾身 民女
复制代码| 编码位 | 1 | 2 | 34 | 5 | 67 | 8 |
|---|---|---|---|---|---|---|
| 类别级别 | 一级 | 二级 | 三级 | 四级 | 五级 | 标记位 |
| 类别含义 | 大类 | 中类 | 小类 | 词群 | 原子词群 | 词语关系 |
词语相似度
词林的格式可以看成是一共有6个级，那么可以给每个级分配一定的权重，比如分配为 1.2, 1.2, 1.0, 1.0, 0.8, 0.4，总和为5.6。那么计算相似度时其实就是先获取两个单词对应的编码，然后再逐一对比编码每个级是否相等，将所有相等的级的权重加起来，除以总和得到的值即为相似性值。实现如下：
public static double sumWeight(String code1, String code2) {double weight = 0.0;for (int i = 1; i <= 6; i++) {String c1 = getLevelCode(code1, i);String c2 = getLevelCode(code2, i);if (c1.equals(c2)) {weight += WEIGHT[i - 1];} else {break;}}return weight;}public static String getLevelCode(String code, int level) {switch (level) {case 1:return code.substring(0, 1);case 2:return code.substring(1, 2);case 3:return code.substring(2, 4);case 4:return code.substring(4, 5);case 5:return code.substring(5, 7);case 6:return code.substring(7);}return "";}
复制代码另外，由于每个词可能有多个编码，所以处理时取最高相似值的那个。
public double getSimilarity(String s1, String s2) {if (s1 == null && s2 == null) {return 1.0;} else if (s1 == null || s2 == null) {return 0.0;} else if (s1.equalsIgnoreCase(s2)) {return 1.0;}Set<String> codeSet1 = CilinDictionary.getInstance().getCilinCoding(s1);Set<String> codeSet2 = CilinDictionary.getInstance().getCilinCoding(s2);if (codeSet1 == null || codeSet2 == null) {return 0.0;}double similarity = 0.0;for (String code1 : codeSet1) {for (String code2 : codeSet2) {double s = sumWeight(code1, code2) / TOTAL_WEIGHT;logger.debug(code1 + "-" + code2 + "-" + sumWeight(code1, code2));if (similarity < s)similarity = s;}}return similarity;}
复制代码测试
public void test() {String s1 = "中国人";String s2 = "炎黄子孙";CilinSimilarity cs = new CilinSimilarity();System.out.println(cs.getSimilarity(s1, s2));s1 = "汽车";s2 = "摩托";System.out.println(cs.getSimilarity(s1, s2));s1 = "人";s2 = "动物";System.out.println(cs.getSimilarity(s1, s2));s1 = "猫";s2 = "狗";System.out.println(cs.getSimilarity(s1, s2));s1 = "今天";s2 = "明天";System.out.println(cs.getSimilarity(s1, s2));}
复制代码 1.00000000000000020.42857142857142860.00.42857142857142860.7857142857142858
复制代码github
https://github.com/sea-boat/TextAnalyzer/blob/master/src/main/java/com/seaboat/text/analyzer/similarity/CilinSimilarity.java
-------------推荐阅读------------
我的2017文章汇总——机器学习篇
我的2017文章汇总——Java及中间件
我的2017文章汇总——深度学习篇
我的2017文章汇总——JDK源码篇
我的2017文章汇总——自然语言处理篇
我的2017文章汇总——Java并发篇
跟我交流，向我提问：
公众号的菜单已分为“读书总结”、“分布式”、“机器学习”、“深度学习”、“NLP”、“Java深度”、“Java并发核心”、“JDK源码”、“Tomcat内核”等，可能有一款适合你的胃口。
为什么写《Tomcat内核设计剖析》
欢迎关注：
