NLP 中文形近字相似度算法开源实现

项目简介 nlp-hanzi-similar 为汉字提供相似性的计算。
NLP 中文形近字相似度算法开源实现
文章图片

创作目的 有一个小伙伴说自己在做语言认知科学方向的课题研究,看了我以前写的 NLP 中文形近字相似度计算思路
就想问下有没有源码或者相关资料。
国内对于文本的相似度计算,开源的工具是比较丰富的。
但是对于两个汉字之间的相似度计算,国内基本一片空白。国内的参考的资料少的可怜,国外相关文档也是如此。
于是将以前写的相似度算法整理开源,希望能帮到这位小伙伴。
本项目旨在抛砖引玉,实现一个基本的相似度计算工具,为汉字 NLP 贡献一点绵薄之力。
特性

  • fluent 方法,一行代码搞定一切
  • 高度自定义,允许用户定义自己的实现
  • 词库自定义,适应各种应用场景
  • 丰富的实现策略
默认实现了基于 四角编码+拼音+汉字结构+汉字偏旁+笔画数 的相似度比较。
变更日志
变更日志
快速开始 需要 jdk1.7+
maven 3.x+
maven 引入
com.github.houbb nlp-hanzi-similar 1.0.0

快速开始 基本用法
HanziSimilarHelper.similar 获取两个汉字的相似度。
double rate1 = HanziSimilarHelper.similar('末', '未');

结果为:
0.9629629629629629

自定义权重
默认是根据 四角编码+拼音+汉字结构+汉字偏旁+笔画数 进行相似度比较。
【NLP 中文形近字相似度算法开源实现】如果默认的系统权重无法满足你的需求,你可以通过自定义权重调整:
double rate = HanziSimilarBs.newInstance() .jiegouRate(10) .sijiaoRate(8) .bushouRate(6) .bihuashuRate(2) .pinyinRate(1) .similar('末', '未');

自定义相似度
有些情况下,系统的计算是无法满足的。
用户可以在根目录下 hanzi_similar_define.txt 进行自定义。
入人 0.9 人入 0.9

这样在计算 的相似度时,会优先以用户自定义的为准。
double rate = HanziSimilarHelper.similar('人', '入');

此时的结果为用户自定义的值。
引导类 说明 为了便于用户自定义,HanziSimilarBs 支持用户进行自定义配。
HanziSimilarBs 中允许自定义的配置列表如下:
序号 属性 说明
1 bihuashuRate 笔画数权重
2 bihuashuData 笔画数数据
3 bihuashuSimilar 笔画数相似度策略
4 jiegouRate 结构权重
5 jiegouData 结构数据
6 jiegouSimilar 结构相似度策略
7 bushouRate 部首权重
8 bushouData 部首数据
9 bushouSimilar 部首相似度策略
10 sijiaoRate 四角编码权重
12 sijiaoData 四角编码数据
13 sijiaoSimilar 四角编码相似度策略
14 pinyinRate 拼音权重
15 pinyinData 拼音数据
16 pinyinSimilar 拼音相似度策略
17 hanziSimilar 汉字相似度核心策略
18 userDefineData 用户自定义数据
所有的配置都可以基于接口,用户进行自定义。
快速体验 说明 如果 java 语言不是你的主要开发语言,你可以通过下面的 exe 文件快速体验一下。
下载地址
https://github.com/houbb/nlp-hanzi-similar/releases/download/exe/hanzi-similar.zip
下载后直接解压得到 hanzi-similar.exe 免安装的可执行文件。
执行效果 界面是使用 java swing 实现的,所以美观什么的,已经完全放弃治疗 T_T。
使用 exe4j 打包。
字符一输入一个汉字,字符二输入另一个汉字,点击计算,则可以获取对应的相似度。
NLP 中文形近字相似度算法开源实现
文章图片

字典的弊端 这个项目开源,是因为有一位小伙伴有相关的需求,但是他不懂 java。
一开始想把项目设计成为字典的形式,两个字对应一个相似度。
但是有一个问题,2W 汉字,和 2W 汉字的相似度字典,数量已经是近亿的数据量。
空间复杂度过高,同时会导致时间复杂度问题。
所以目前采用的是实时计算,有时间做一下其他语言的迁移 :)
实现原理 实现思路 不同于文本相似度,汉字相似度的单位是汉字。
所以相似度是对于汉字的拆解,比如笔画,拼音,部首,结构等。
推荐阅读:
NLP 中文形近字相似度计算思路
计算思路描述了实现的原理,但是小伙伴反应不会实现,于是才有了本项目。
核心代码 核心实现如下,就是各种相似度,进行加权计算。
/** * 相似度 * * @param context 上下文 * @return 结果 * @since 1.0.0 */ @Override public double similar(final IHanziSimilarContext context) { final String charOne = context.charOne(); final String charTwo = context.charTwo(); //1. 是否相同 if(charOne.equals(charTwo)) { return 1.0; }//2. 是否用户自定义 Map defineMap = context.userDefineData().dataMap(); String defineKey = charOne+charTwo; if(defineMap.containsKey(defineKey)) { return defineMap.get(defineKey); }//3. 通过权重计算获取 //3.1 四角编码 IHanziSimilar sijiaoSimilar = context.sijiaoSimilar(); double sijiaoScore = sijiaoSimilar.similar(context); //3.2 结构 IHanziSimilar jiegouSimilar = context.jiegouSimilar(); double jiegouScore = jiegouSimilar.similar(context); //3.3 部首 IHanziSimilar bushouSimilar = context.bushouSimilar(); double bushouScore = bushouSimilar.similar(context); //3.4 笔画 IHanziSimilar biahuashuSimilar = context.bihuashuSimilar(); double bihuashuScore = biahuashuSimilar.similar(context); //3.5 拼音 IHanziSimilar pinyinSimilar = context.pinyinSimilar(); double pinyinScore = pinyinSimilar.similar(context); //4. 计算总分 double totalScore = sijiaoScore + jiegouScore + bushouScore + bihuashuScore + pinyinScore; //4.1 避免浮点数比较问题 if(totalScore <= 0) { return 0; }//4.2 正则化 double limitScore = context.sijiaoRate() + context.jiegouRate() + context.bushouRate() + context.bihuashuRate() + context.pinyinRate(); return totalScore / limitScore; }

具体的细节,如果感兴趣,可以自行阅读源码。
开源地址 为了便于大家的学习和使用,本项目已开源。
开源地址:
https://github.com/houbb/nlp-hanzi-similar
欢迎大家,fork&star 鼓励一下老马~
算法的优缺点 优点 为数不多的几篇 paper 是从汉字的结构入手的。
本算法引入了四角编码+结构+部首+笔画+拼音的方式,使其更加符合国内的使用直觉。
缺点 部首这部分因为当时数据问题,实际上是有缺憾的。
后续准备引入拆字字典,对汉字的所有组成部分进行对比,而不是目前一个简单的部首。
后期 Road-MAP
  • [ ] 丰富相似度策略
  • [ ] 优化默认权重
  • [ ] 优化 exe 界面
NLP 中文形近字相似度算法开源实现
文章图片

    推荐阅读