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 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; } 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 0.7857142857142858github
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
