一文讲述常见的文本相似度计算方法

作者 | LU_ZHAO

责编 | 徐威龙

前言

在自然语言处理中，我们经常需要判定两个东西是否相似。

比如，在微博的热点话题推荐那里，我们需要比较微博之间的相似度，让相似度高的微博聚集在一起形成一个簇，提出一个主题。

在问答系统中，比如说人工客服，我们需要提前准备好问题和一些答案，让用户输入的问题与题库中的问题进行相似度的比较，最后输出答案。

在推荐系统中，我们需要提取一个用户的所有物品，在根据这个物品找到对应的用户群，比较两个用户之间的相似性，在进行相应的推荐（协同过滤）。

在对语料进行预处理的时候，我们需要给予文本的相似度，把相似度高的重复主题过滤掉。

总之，相似度是一种非常有用的工具，可以帮助我们解决很多问题。

任务目标

一般来说，是比较两个物体（商品，文本）之间的相似度。这里的相似度是一个抽象的值，它可以抽象成估计的百分比。

在推荐工程中，计算相似度是为了给用户推送一定量的物品。即把所有的相似度排序，然后选出最高的那几个物品。

人是很容易判断出物品的相似度的，人们会在心里有一个考量。那么程序如何判断呢？

如果是文本分析，它首先就要用到分词技术，然后去掉不必要的词（语气词，连接词）。然后对词给一个抽象的量表示权重，最后在用一些方法去统计出整体的相似度。

如果是其他的，可能首先也需要进行数据清洗的工作，留下那些关键的能够表示物体特征的部分，对这些部分定权值，再去估计整体。

相似度计算关键组件相似度计算方法有2个关键组件：

表示模型度量方法前者负责将物体表示为计算机可以计算的数值向量，也就是提供特征。

后者负责基于前面得到的数值向量计算物体之间的相似度。

距离的度量方式欧几里得距离

使用python计算欧式距离：

distance = numpy.linalg.norm(vec1 - vec2)

相似度为：

similarity = 1.0/(1.0 + np.linalg.norm(dataA - dataB))

余弦距离余弦距离的计算方式：

与欧氏距离的区别：

欧氏距离能够体现个体数值特征的绝对差异，所以更多的用于需要从维度的数值大小中体现差异的分析，如使用用户行为指标分析用户价值的相似度或差异。余弦距离更多的是从方向上区分差异，而对绝对的数值不敏感，更多的用于使用用户对内容评分来区分兴趣的相似度和差异，同时修正了用户间可能存在的度量标准不统一的问题（因为余弦距离对绝对数值不敏感）Jacard相似度

distance = 1 / similarity

思想非常简单，两个集合共有的元素越多，二者越相似。

汉明距离两个字码中不同位值的数目称为汉明距离。

Hamming distance = 0 （ai = bi)Hamming distance = 1 （ai != bi)最后统计相加。

最小编辑距离最小编辑距离是一种经典的距离计算方法，用来度量字符串之间的差异。它认为，将字符串A不断修改(增删改)、直至成为字符串B，所需要的修改次数代表了字符串A和B的差异大小。当然了，将A修改为B的方案非常多，选哪一种呢？我们可以用动态规划找到修改次数最小的方案，然后用对应的次数来表示A和B的距离。

本文来源 CSDN 博客，作者「LU_ZHAO」，原文https://blog.csdn.net/LU_ZHAO/article/details/104860830

【end】

有奖征文

如何用Jupyter Notebook制作新冠病毒疫情追踪器？万人马拉松赛事，人脸识别系统如何快速、准确完成校验？突破性能极限，阿里云神龙最新ASPLOS论文解读DevOps 转型时如何安全融入？对企业产出有何影响？2019年 DevOps 最新现状研究报告解读百万人学AI：CSDN重磅共建人工智能技术新生态漫画：如何给女朋友解释什么是熔断？你点的每个“在看”，我都认真当成了AI