佳木斯湛栽影视文化发展公司

主頁(yè) > 知識(shí)庫(kù) > .NET下文本相似度算法余弦定理和SimHash淺析及應(yīng)用實(shí)例分析

.NET下文本相似度算法余弦定理和SimHash淺析及應(yīng)用實(shí)例分析

熱門標(biāo)簽:百度AI接口 人工智能 客戶服務(wù) 電銷業(yè)務(wù) 科大訊飛語(yǔ)音識(shí)別系統(tǒng) 電商新玩法 國(guó)美全國(guó)運(yùn)營(yíng)中心 網(wǎng)站排名優(yōu)化

本文實(shí)例講述了.NET下文本相似度算法余弦定理和SimHash淺析及應(yīng)用。分享給大家供大家參考。具體分析如下:

余弦相似性

原理:首先我們先把兩段文本分詞,列出來(lái)所有單詞,其次我們計(jì)算每個(gè)詞語(yǔ)的詞頻,最后把詞語(yǔ)轉(zhuǎn)換為向量,這樣我們就只需要計(jì)算兩個(gè)向量的相似程度.
 
我們簡(jiǎn)單表述如下
 
文本1:我/愛/北京/天安門/ 經(jīng)過(guò)分詞求詞頻得出向量(偽向量)  [1,1,1,1]
 
文本2:我們/都愛/北京/天安門/ 經(jīng)過(guò)分詞求詞頻得出向量(偽向量)  [1,0,1,2]
 
我們可以把它們想象成空間中的兩條線段,都是從原點(diǎn)([0, 0, ...])出發(fā),指向不同的方向。兩條線段之間形成一個(gè)夾角,如果夾角為0度,意味著方向相同、線段重合;如果夾角為90度,意味著形成直角,方向完全不相似;如果夾角為180度,意味著方向正好相反。因此,我們可以通過(guò)夾角的大小,來(lái)判斷向量的相似程度。夾角越小,就代表越相似。
 
C#核心算法:

復(fù)制代碼 代碼如下:
    public class TFIDFMeasure
    {
        private string[] _docs;
        private string[][] _ngramDoc;
        private int _numDocs=0;
        private int _numTerms=0;
        private ArrayList _terms;
        private int[][] _termFreq;
        private float[][] _termWeight;
        private int[] _maxTermFreq;
        private int[] _docFreq;
 
        public class TermVector
        {       
            public static float ComputeCosineSimilarity(float[] vector1, float[] vector2)
            {
                if (vector1.Length != vector2.Length)               
                    throw new Exception("DIFER LENGTH");
               
 
                float denom=(VectorLength(vector1) * VectorLength(vector2));
                if (denom == 0F)               
                    return 0F;               
                else               
                    return (InnerProduct(vector1, vector2) / denom);
               
            }
 
            public static float InnerProduct(float[] vector1, float[] vector2)
            {
           
                if (vector1.Length != vector2.Length)
                    throw new Exception("DIFFER LENGTH ARE NOT ALLOWED");
               
           
                float result=0F;
                for (int i=0; i vector1.Length; i++)               
                    result += vector1[i] * vector2[i];
               
                return result;
            }
       
            public static float VectorLength(float[] vector)
            {           
                float sum=0.0F;
                for (int i=0; i vector.Length; i++)               
                    sum=sum + (vector[i] * vector[i]);
                       
                return (float)Math.Sqrt(sum);
            }
        }
 
        private IDictionary _wordsIndex=new Hashtable() ;
 
        public TFIDFMeasure(string[] documents)
        {
            _docs=documents;
            _numDocs=documents.Length ;
            MyInit();
        }
 
        private void GeneratNgramText()
        {
           
        }
 
        private ArrayList GenerateTerms(string[] docs)
        {
            ArrayList uniques=new ArrayList() ;
            _ngramDoc=new string[_numDocs][] ;
            for (int i=0; i docs.Length ; i++)
            {
                Tokeniser tokenizer=new Tokeniser() ;
                string[] words=tokenizer.Partition(docs[i]);           
 
                for (int j=0; j words.Length ; j++)
                    if (!uniques.Contains(words[j]) )               
                        uniques.Add(words[j]) ;
            }
            return uniques;
        }

        private static object AddElement(IDictionary collection, object key, object newValue)
        {
            object element=collection[key];
            collection[key]=newValue;
            return element;
        }
 
        private int GetTermIndex(string term)
        {
            object index=_wordsIndex[term];
            if (index == null) return -1;
            return (int) index;
        }
 
        private void MyInit()
        {
            _terms=GenerateTerms (_docs );
            _numTerms=_terms.Count ;
 
            _maxTermFreq=new int[_numDocs] ;
            _docFreq=new int[_numTerms] ;
            _termFreq =new int[_numTerms][] ;
            _termWeight=new float[_numTerms][] ;
 
            for(int i=0; i _terms.Count ; i++)           
            {
                _termWeight[i]=new float[_numDocs] ;
                _termFreq[i]=new int[_numDocs] ;
 
                AddElement(_wordsIndex, _terms[i], i);           
            }
           
            GenerateTermFrequency ();
            GenerateTermWeight();           
        }
       
        private float Log(float num)
        {
            return (float) Math.Log(num) ;//log2
        }
 
        private void GenerateTermFrequency()
        {
            for(int i=0; i _numDocs  ; i++)
            {                               
                string curDoc=_docs[i];
                IDictionary freq=GetWordFrequency(curDoc);
                IDictionaryEnumerator enums=freq.GetEnumerator() ;
                _maxTermFreq[i]=int.MinValue ;
                while (enums.MoveNext())
                {
                    string word=(string)enums.Key;
                    int wordFreq=(int)enums.Value ;
                    int termIndex=GetTermIndex(word);
 
                    _termFreq [termIndex][i]=wordFreq;
                    _docFreq[termIndex] ++;
 
                    if (wordFreq > _maxTermFreq[i]) _maxTermFreq[i]=wordFreq;                   
                }
            }
        }

        private void GenerateTermWeight()
        {           
            for(int i=0; i _numTerms   ; i++)
            {
                for(int j=0; j _numDocs ; j++)               
                    _termWeight[i][j]=ComputeTermWeight (i, j);
            }
        }
 
        private float GetTermFrequency(int term, int doc)
        {           
            int freq=_termFreq [term][doc];
            int maxfreq=_maxTermFreq[doc];           
           
            return ( (float) freq/(float)maxfreq );
        }
 
        private float GetInverseDocumentFrequency(int term)
        {
            int df=_docFreq[term];
            return Log((float) (_numDocs) / (float) df );
        }
 
        private float ComputeTermWeight(int term, int doc)
        {
            float tf=GetTermFrequency (term, doc);
            float idf=GetInverseDocumentFrequency(term);
            return tf * idf;
        }
       
        private  float[] GetTermVector(int doc)
        {
            float[] w=new float[_numTerms] ;
            for (int i=0; i _numTerms; i++)
                w[i]=_termWeight[i][doc];
            return w;
        }
 
        public float GetSimilarity(int doc_i, int doc_j)
        {
            float[] vector1=GetTermVector (doc_i);
            float[] vector2=GetTermVector (doc_j);
            return TermVector.ComputeCosineSimilarity(vector1, vector2);
        }
       
        private IDictionary GetWordFrequency(string input)
        {
            string convertedInput=input.ToLower() ;
            Tokeniser tokenizer=new Tokeniser() ;
            String[] words=tokenizer.Partition(convertedInput);
            Array.Sort(words);
           
            String[] distinctWords=GetDistinctWords(words);
                       
            IDictionary result=new Hashtable();
            for (int i=0; i distinctWords.Length; i++)
            {
                object tmp;
                tmp=CountWords(distinctWords[i], words);
                result[distinctWords[i]]=tmp;
            }
            return result;
        }               
               
        private string[] GetDistinctWords(String[] input)
        {               
            if (input == null)           
                return new string[0];           
            else
            {
                ArrayList list=new ArrayList() ;
               
                for (int i=0; i input.Length; i++)
                    if (!list.Contains(input[i])) // N-GRAM SIMILARITY?
                        list.Add(input[i]);
                return Tokeniser.ArrayListToArray(list) ;
            }
        }

        private int CountWords(string word, string[] words)
        {
            int itemIdx=Array.BinarySearch(words, word);
           
            if (itemIdx > 0)           
                while (itemIdx > 0 words[itemIdx].Equals(word))
                    itemIdx--;               
            int count=0;
            while (itemIdx words.Length itemIdx >= 0)
            {
                if (words[itemIdx].Equals(word)) count++;
                itemIdx++;
                if (itemIdx words.Length)               
                    if (!words[itemIdx].Equals(word)) break;
            }
            return count;
        }               
}


 
缺點(diǎn):
 
由于有可能一個(gè)文章的特征向量詞特別多導(dǎo)致整個(gè)向量維度很高,使得計(jì)算的代價(jià)太大不適合大數(shù)據(jù)量的計(jì)算。
 
SimHash原理:
 
算法的主要思想是降維,將高維的特征向量映射成一個(gè)f-bit的指紋(fingerprint),通過(guò)比較兩篇文章的f-bit指紋的Hamming Distance來(lái)確定文章是否重復(fù)或者高度近似。由于每篇文章我們都可以事先計(jì)算好Hamming Distance來(lái)保存,到時(shí)候直接通過(guò)Hamming Distance來(lái)計(jì)算,所以速度非??爝m合大數(shù)據(jù)計(jì)算。
 
Google就是基于此算法實(shí)現(xiàn)網(wǎng)頁(yè)文件查重的。我們假設(shè)有以下三段文本:
 
1,the cat sat on the mat
 
2,the cat sat on a mat
 
3,we all scream for ice cream
 
如何實(shí)現(xiàn)這種hash算法呢?以上述三個(gè)文本為例,整個(gè)過(guò)程可以分為以下六步:
1、選擇simhash的位數(shù),請(qǐng)綜合考慮存儲(chǔ)成本以及數(shù)據(jù)集的大小,比如說(shuō)32位
2、將simhash的各位初始化為0
3、提取原始文本中的特征,一般采用各種分詞的方式。比如對(duì)于"the cat sat on the mat",采用兩兩分詞的方式得到如下結(jié)果:{"th", "he", "e ", " c", "ca", "at", "t ", " s", "sa", " o", "on", "n ", " t", " m", "ma"}
4、使用傳統(tǒng)的32位hash函數(shù)計(jì)算各個(gè)word的hashcode,比如:"th".hash = -502157718
,"he".hash = -369049682,……
5、對(duì)各word的hashcode的每一位,如果該位為1,則simhash相應(yīng)位的值加1;否則減1
6、對(duì)最后得到的32位的simhash,如果該位大于1,則設(shè)為1;否則設(shè)為0

希望本文所述對(duì)大家的.net程序設(shè)計(jì)有所幫助。

您可能感興趣的文章:
  • VB.NET中使用種子填充算法實(shí)現(xiàn)給圖片著色的例子
  • .net C# 實(shí)現(xiàn)任意List的笛卡爾乘積算法代碼
  • asp.net 冒泡算法的理解
  • asp.NET 臟字過(guò)濾算法 修改版
  • asp.NET 臟字過(guò)濾算法
  • asp.net 2個(gè)日期之間的整月數(shù)的算法
  • asp.net下常用的加密算法MD5、SHA-1應(yīng)用代碼
  • asp.net TripleDES加密、解密算法
  • 赫赫大名的A*尋路算法(vb.net版本)
  • asp.net(c#)兩種隨機(jī)數(shù)的算法,可用抽考題

標(biāo)簽:益陽(yáng) 南平 攀枝花 拉薩 棗莊 POS機(jī) 咸寧 廈門

巨人網(wǎng)絡(luò)通訊聲明:本文標(biāo)題《.NET下文本相似度算法余弦定理和SimHash淺析及應(yīng)用實(shí)例分析》,本文關(guān)鍵詞  ;如發(fā)現(xiàn)本文內(nèi)容存在版權(quán)問(wèn)題,煩請(qǐng)?zhí)峁┫嚓P(guān)信息告之我們,我們將及時(shí)溝通與處理。本站內(nèi)容系統(tǒng)采集于網(wǎng)絡(luò),涉及言論、版權(quán)與本站無(wú)關(guān)。
  • 相關(guān)文章
  • 收縮
    • 微信客服
    • 微信二維碼
    • 電話咨詢

    • 400-1100-266
    杭锦旗| 惠水县| 松阳县| 林甸县| 朝阳市| 新宾| 蒲江县| 桃源县| 高碑店市| 驻马店市| 通山县| 常山县| 江安县| 仪陇县| 日喀则市| 纳雍县| 乌海市| 兴海县| 固镇县| 稷山县| 通河县| 湘阴县| 鸡西市| 枣强县| 棋牌| 阳城县| 和平区| 嘉鱼县| 伊宁县| 灵台县| 洛浦县| 阿勒泰市| 民乐县| 祁连县| 西乡县| 金阳县| 通辽市| 盘锦市| 常德市| 滕州市| 六安市|