前言
詞語的相似性的計算方法有很多，比如字面相似度計算方法、基於語義詞典的計算方法、基於統計的相似度（向量空間模型）計算方法和基於神經網絡的相似度計算方法。
本篇文章講講基於詞林的語義相似性。
詞林
《同義詞詞林》是上世紀80年代出版的對漢語詞彙進行語義分類的義類詞典，共收錄64223條詞目。隨後發展，哈爾濱工業大學信息檢索實驗室對其進行修正完善，《哈工大社會計算與信息檢索研究中心同義詞詞林擴展版》。
格式
舉個例子一般的格式如下，一共包含了五個級別和一個標記位，看下面第一行從左到右，A為一級、a為二級、01為三級、A為四級、02為五級、=為標記位。標記位主要是用於區分常規同義詞、相關詞和只有詞語本身，分別用= # @三個符號表示。其中 = 表示常規同義詞，# 表示相關詞，@ 則表示獨立性質，既沒有同義詞也沒有相關詞。
Aa01A02= 人類 生人 全人類Aa01B03# 良民 順民Aa01D01@ 角色Aa02A08= 奴 妾 妾身 民女
編碼位 1 2 34 5 67 8 類別級別 一級 二級 三級 四級 五級 標記位 類別含義 大類 中類 小類 詞群 原子詞群 詞語關係 詞語相似度
詞林的格式可以看成是一共有6個級，那麼可以給每個級分配一定的權重，比如分配為 1.2, 1.2, 1.0, 1.0, 0.8, 0.4，總和為5.6。那麼計算相似度時其實就是先獲取兩個單詞對應的編碼，然後再逐一對比編碼每個級是否相等，將所有相等的級的權重加起來，除以總和得到的值即為相似性值。實現如下：
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，由於每個詞可能有多個編碼，所以處理時取最高相似值的那個。
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 codeSet1 = CilinDictionary.getInstance().getCilinCoding(s1); Set 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; } 測試
public void test() { String s1 = "中國人"; String s2 = "炎黃子孫"; CilinSimilarity cs = new CilinSimilarity(); System.out.println(cs.getSimilarity(s1, s2)); s1 = "汽車"; s2 = "摩托"; System.out.println(cs.getSimilarity(s1, s2)); s1 = "人"; s2 = "動物"; System.out.println(cs.getSimilarity(s1, s2)); s1 = "貓"; 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 0.7857142857142858github
https://github.com/sea-boat/TextAnalyzer/blob/master/src/main/java/com/seaboat/text/analyzer/similarity/CilinSimilarity.java
閱讀更多 遠洋號 的文章
