锐客网

  1. 首页 > it技术 > >

NLP|NLP 开源形近字算法补完计划（完结篇）

前言 所有的故事都有开始，也终将结束。
本文将作为 NLP 汉字相似度的完结篇，为该系列画上一个句号。
起-NLP 中文形近字相似度计算思路
承-中文形近字相似度算法实现，为汉字 NLP 尽一点绵薄之力
转-当代中国最贵的汉字是什么？
不足之处 之所以有本篇，是因为上一次的算法实现存在一些不足。
巴别塔 《圣经》中有关于巴别塔建造，最终人们因为语言问题而停工的故事?。
NLP|NLP 开源形近字算法补完计划（完结篇）
文章图片

创11:6　“看哪！他们成为一样的人民，都是一样的言语，如今既作起这事来，以后他们所要作的事，就没有不成就的了。创11:7　我们下去，在那里变乱他们的口音，使他们的言语彼此不通。”创11:8　于是，耶和华使他们从那里分散在全地上；他们就停工不造那城了。

为了避免语言问题，我一开始就实现了一个 exe4j 打包的对比程序，自己跑的很顺畅。
小伙伴一跑，运行失败。各种环境配置一顿操作，最后还是报错。
于是，我写了一个 python 简易版本，便于做 NLP 研究的小伙伴们学习。
https://github.com/houbb/nlp-hanzi-similar/releases/tag/pythn
java 是一种语言，python 是一种语言。
编程语言，让人和机器之间可以沟通，却让人与人之间产生了隔阂。
拆字 在 当代中国最贵的汉字是什么？ 一文中，我们首次说明了汉字的拆合。
汉字的拆分实现，核心目的之一就是为了完善汉字的相似度比较。
通过对比汉字的拆分部分，然后获取拆字的相似度，提高对比的准确性。
拆字相似度 简单的需求 为了便于小伙伴们理解，我们用产品经理的思维和大家介绍一下实现方式。
我的需求比较简单。你看，【明】可以拆分【日】【月】，【冐】也可以拆分为【日】【月】。对比一下，结果是显然的。怎么实现我不管，明天上线吧。

小伙伴们，应该已经知道怎么实现了吧？
NLP|NLP 开源形近字算法补完计划（完结篇）
文章图片

使用体验 诚如产品所言，这个需求已经实现。
maven 引入
com.github.houbb nlp-hanzi-similar 1.2.0

使用
double rate1 = HanziSimilarHelper.similar('末', '未');

对应的结果为：0.9696969696969697
更多使用细节，参考开源地址：
https://github.com/houbb/nlp-hanzi-similar
写在完结前 涉及的项目 汉字的相似度计算到这里算是告一段落。
主要涉及的资料及项目有：
拼音
拆字
四角编码词库
汉字结构词库
汉字偏旁词库
笔画数词库
当然，还可以结果 opencc4j 进行繁简体的处理，此处不再延伸。
之后的计划 NLP 的领域还有很多东西需要大家攻克，毕竟中文 NLP 才刚刚开始。
技术尚未成功，同志仍需努力。
据说最近鹅城的某位黄老爷惹得大家怨声载道。
很多小伙伴说，如果有一款软件可以实现【月丷夫马言卂彳山兀攴人言】的沟通功能，那么我肯定会用。
所谓说者无心，听者有意。
写一个通讯软件，主要是为了巩固下 netty 的学习，其他的都不重要。
NLP|NLP 开源形近字算法补完计划（完结篇）
文章图片

虽然知道就算有，大家肯定也不太会改变，但是老马还是准备试试。
java 实现思路 警告，如果你头发已经所剩无几，或者对实现并不感兴趣。
那么就可以收藏+点赞+评论【不明觉厉】，然后离开了。
下面是枯燥的代码实现环节。
NLP|NLP 开源形近字算法补完计划（完结篇）
文章图片

程序员的思维 下面是程序员的思维。
首先要解决几个问题：
（1）汉字的拆分实现
这个直接复用已经实现的汉字拆分实现。
List stringList = ChaiziHelper.chai(charWord.charAt(0));

相同的一个汉字可以有多种拆分方式，简单起见，我们默认取第一个。
（2）相似的比较
假设我们对比 A B 两个汉字，可以拆分为如下的子集。
A = {A1, A2, ..., Am}
B = {B1, B2, ..., Bm}
/** * 获取拆分后对应的拆分字符 * @param charWord 字符 * @return 结果 */ private char[] getSplitChars(String charWord) { List stringList = ChaiziHelper.chai(charWord.charAt(0)); // 这里应该选择哪一个是有讲究的。此处为了简单，默认选择第一个。 String string = stringList.get(0); return string.toCharArray(); }

拆分后的子集对比有多种实现方式，简单起见，我们直接遍历元素，判断另一个子集是否存在。
当然，遍历的时候要以拆分数量较少的的为基准。
int minLen = Math.min(charsOne.length, charsTwo.length); // 比较 double totalScore = 0.0; for(int i = 0; i

（3）拆分子集的权重
比如 一 月 两个汉字都是子集，但是因为笔画数不同，权重也不同。
我们用一个子集的笔画数占整体汉字的笔画数计算权重。
int textNumber = getNumber(textChar, similarContext); double scoreOne = textNumber*1.0 / numberOne * 1.0; double scoreTwo = textNumber*1.0 / numberTwo * 1.0; totalScore += (scoreOne + scoreTwo) / 2.0;

ps: 这里的除以 2,是为了归一化。保证最后的结果在 0-1 之间。
（4）笔画数
获取笔画数的方式，我们可以直接复用以前的方法。
如果没有匹配的，默认笔画数为 1。
private int getNumber(String text, IHanziSimilarContext similarContext) { Map map = similarContext.bihuashuData().dataMap(); Integer number = map.get(text); if(number == null) { return 1; } return number; }

java 完整实现 我们把所有的碎片拼接起来，就得到一个完整的实现。
/** * 拆字 * * @author 老马啸西风 * @since 1.0.0 */ public class ChaiziSimilar implements IHanziSimilar {@Override public double similar(IHanziSimilarContext similarContext) { String hanziOne = similarContext.charOne(); String hanziTwo = similarContext.charTwo(); int numberOne = getNumber(hanziOne, similarContext); int numberTwo = getNumber(hanziTwo, similarContext); // 拆分 char[] charsOne = getSplitChars(hanziOne); char[] charsTwo = getSplitChars(hanziTwo); int minLen = Math.min(charsOne.length, charsTwo.length); // 比较 double totalScore = 0.0; for(int i = 0; i

小结 本文引入了汉字拆字，进一步丰富了相似度的实现。
当然，实现本身依然有很多值得提升的地方，比如拆分后的选择，是否可以递归拆分等，这个还是留给后人研究吧。
【NLP|NLP 开源形近字算法补完计划（完结篇）】我是老马，期待与你的下次重逢。

    推荐阅读


    上一篇：【xv6 源码窥探（1）】中断

    下一篇：解决Wangeditor 在safri浏览器下无法聚焦 无法编辑