同义词相似度可以怎样计算

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

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 "";
	}

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;
	}

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));
	}

 1.0000000000000002
 0.4285714285714286
 0.0
 0.4285714285714286
 0.7857142857142858

github

https://github.com/sea-boat/TextAnalyzer/blob/master/src/main/java/com/seaboat/text/analyzer/similarity/CilinSimilarity.java

-------------推荐阅读------------

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：